31、深度学习中的模型应用与迁移学习

深度学习中的模型应用与迁移学习

1. 预构建模型概述

在深度学习领域，预构建模型和预训练模型是两个重要的概念。预构建模型是基于先进架构的现有模型，其输入形状和任务组可重新配置，但权重未经过训练，常用于从头开始训练模型，具有可重用和可重新配置以适应数据集和任务的优点，但架构可能未针对特定数据集或任务进行调整，导致模型效率和准确性较低。预训练模型则是权重已经在其他数据集（如图像Net数据集）上进行了预训练的模型，可用于即插即用的预测或迁移学习，能重用表征学习，更快地使用更少的数据训练新的数据集或任务，但预训练的表征学习可能不适用于特定数据集或任务的领域。

2. TensorFlow Hub预构建模型

TensorFlow Hub是一个开源的公共存储库，包含大量的预构建和预训练模型，比TF.Keras更加广泛。TF.Keras的预构建/预训练模型适合学习和练习迁移学习，但在生产应用中提供的模型有限。TF Hub则拥有更多的预构建先进架构、广泛的任务类别、特定领域的预训练权重以及除TensorFlow组织直接提供的模型之外的公众提交的模型。

TF Hub为图像分类提供了两种版本的模型：
- 用于对特定类别进行图像分类的模块，与预训练模型的过程相同。
- 用于提取图像特征向量（瓶颈值）的模块，可用于自定义图像分类器。

要使用TF Hub，需要先安装 tensorflow_hub Python模块：

pip install tensorflow_hub

在Python脚本中，通过导入