MATLAB算法实战应用案例精讲-【人工智能】迁移学习（附python代码实现）

目录

前言

高频面试题目

几种迁移学习方式的对比

微调的注意事项

算法原理

迁移学习提出背景

几个常用概念

算法思想

什么是迁移学习

​模型的训练与预测

为什么要迁移学习？

开发模型的方法

预训练模型方法

什么情况下可以使用迁移学习？

迁移学习的类型

应用领域

迁移学习未来的发展方向

优势和挑战

3.1 优势

3.2 挑战

应用案例

1. 项目描述

2. 数据集介绍

3. 项目要求

4. 场景和为什么要进行领域对抗性训练

5. 神经网络的领域对抗训练(DaNN)

6 代码实现

1. 数据处理

2. 自定义数据集读取类

3. 将数据路径保存成 .txt 文件

4. 网络模型搭建

5. 构建DataLoader

6. 模型准备

7. 训练

8. 可视化训练指标

9. 预测保存

代码实现

python

前言

迁移学习是一种使用已经学习到的知识来加速、提高新任务学习效果的机器学习方法。在传统的机器学习中，每个任务都需要通过大量的数据进行单独地学习，然而当我们面对新的任务时，如果训练数据不足或者需要更高的准确率，重新开始训练通常代价昂贵。迁移学习的思想是将旧任务的学习结果（称为源域）应用到新任务（称为目标域），这样就可以降低目标任务的训练成本，不过需要注意的是源领域与目标领域之间存在一定的相似性或联系。另外，迁移学习还可通过深层神经网络的模型去发现源域和目标域之间更加不易察觉或者复杂的联系。迁移学习在很多领域都有着广泛的应用，比如自然语言处理、计算机视觉、医疗健康等。

高频面试题目

几种迁移学习方式的对比

1）第一种和第二种训练得到的模型本质上并没有什么区别，但是第二种的计算复杂度要远远优于第一种。 2）第三种是对前两种方法的补充，以进一步提升模型性能。要注意的是，这种方法并不一定能真的对模型有所提升。 本质上来讲：这三种迁移学习的方式都是为了让预训练模型能够胜任新数据集的识别工作，能够让预训练模型原本的特征提取能力得到充分的释放和利用。但是，在此基础上如果想让模型能够达到更低的Loss，那么光靠迁移学习是不够的，靠的更多的还是模型的结