tensorflow - 在现实世界的项目中使用迁移学习是个好主意吗？

Question

设想

如果我的意图是训练医学图像数据集并且我选择了一个 coco 预训练模型，该怎么办？

我的疑惑

1由于我选择了医学图像，因此没有必要在 COCO 数据集上对其进行训练，对吧？如果是这样，有什么可能的解决方案来做同样的事情？

2向预训练模型添加更多层会破坏整个模型吗？有大约 10 多个和 10000 个训练数据集的类？

3没有从头开始训练有哪些可能的解决方案，比如微调模型？

PS - 让我们假设这个场景是基于为商业目的部署模型。

谢谢-

标签： tensorflowdeep-learningconv-neural-networktransfer-learning

Answer 1

是的，在现实世界项目中重用预训练模型或迁移学习是一个好主意，因为它可以节省计算时间并且架构已经过验证。

如果您的用例是对医学图像进行分类，即图像分类，那么

1. 因为我选择了医学图像，所以没有必要在 COCO 数据集上训练它，对吧？如果是这样，有什么可能的解决方案来做同样的事情？

是的，COCO 数据集对于图像分类不是一个好主意，因为它对目标检测很有效。您可以重复使用VGGNetorResNet或Inception Netor EfficientNet。有关更多信息，请参阅TF HUB 模块。

2. 向预训练模型添加更多层会破坏整个模型吗？有大约 10 多个和 10000 个训练数据集的类？

不可以。我们可以删除预训练模型的顶层并可以添加我们的自定义层，而不会影响预训练模型的性能。

3. 如果没有从头开始训练，有哪些可能的解决方案，比如微调模型？

除了使用预训练模型外，您还可以使用Tensorboard 的 HParams调整模型的超参数（您添加的自定义层） 。