Memahami strategi, langkah, perbezaan dan konsep pembelajaran pemindahan

Pembelajaran pemindahan ialah kaedah yang menggunakan model terlatih dalam tugasan pembelajaran mesin sedia ada untuk menyelesaikan tugasan baharu. Ia boleh mengurangkan jumlah data latihan yang diperlukan untuk tugasan baharu dengan memindahkan pengetahuan model sedia ada kepada tugasan baharu. Dalam beberapa tahun kebelakangan ini, pembelajaran pemindahan telah digunakan secara meluas dalam bidang seperti pemprosesan bahasa semula jadi dan pengecaman imej. Artikel ini akan memperkenalkan konsep dan prinsip pembelajaran pemindahan secara terperinci.

Strategi Pembelajaran Pemindahan Klasik

Gunakan strategi dan teknik pembelajaran pemindahan yang berbeza berdasarkan domain tugasan dan ketersediaan data.

1. Pembelajaran pemindahan induktif

Pembelajaran pemindahan induktif memerlukan domain sumber dan domain sasaran adalah sama, walaupun tugas khusus yang dikendalikan oleh model adalah berbeza. Algoritma ini cuba mengeksploitasi pengetahuan model sumber dan menggunakannya untuk memperbaiki tugas sasaran. Model pra-latihan sudah mempunyai kepakaran dalam ciri domain, memberikan mereka titik permulaan yang lebih baik daripada melatih mereka dari awal.

Pembelajaran pemindahan induktif dibahagikan lagi kepada dua subkategori berdasarkan sama ada domain sumber mengandungi data berlabel. Ini termasuk pembelajaran pelbagai tugas dan pembelajaran kendiri masing-masing.

2. Pembelajaran pemindahan transduktif

Senario di mana bidang tugas sumber dan tugasan sasaran tidak betul-betul sama tetapi berkaitan antara satu sama lain, strategi pembelajaran pemindahan transduktif boleh digunakan. Seseorang boleh membuat persamaan antara tugas sumber dan sasaran. Senario ini biasanya mempunyai sejumlah besar data berlabel dalam domain sumber dan hanya data tidak berlabel dalam domain sasaran.

3. Pembelajaran pemindahan tanpa pengawasan

Pembelajaran pemindahan tanpa pengawasan adalah serupa dengan pembelajaran pemindahan induktif. Satu-satunya perbezaan ialah algoritma memfokuskan pada tugas tanpa pengawasan dan melibatkan set data tidak berlabel dalam kedua-dua tugas sumber dan sasaran.

4. Strategi berdasarkan persamaan domain dan bebas daripada jenis sampel data latihan

• Pembelajaran pemindahan isomorfik

Kaedah pembelajaran pemindahan isomorfik yang sama dibangunkan dan dicadangkan dengan domain yang sama. keadaan angkasa lepas. Dalam pembelajaran pemindahan isomorfik, domain hanya berbeza sedikit dalam taburan marginalnya. Kaedah ini melaraskan domain dengan membetulkan bias pemilihan sampel atau anjakan kovariat.

• Pembelajaran Pemindahan Heterogen

Kaedah pembelajaran pemindahan heterogen direka untuk menyelesaikan masalah domain sumber dan sasaran dengan ruang ciri yang berbeza serta isu lain seperti pengedaran data dan ruang label yang berbeza. Pembelajaran pemindahan heterogen digunakan untuk tugas merentas domain seperti klasifikasi teks merentas bahasa, klasifikasi teks ke imej, dsb.

6 langkah pembelajaran pemindahan

1. Dapatkan model pra-latihan

Langkah pertama ialah memilih model pra-latihan yang ingin kami simpan sebagai asas latihan kami mengikut tugasan . Memindahkan pembelajaran memerlukan korelasi yang kuat antara pengetahuan model sumber pra-latihan dan domain tugas sasaran agar serasi.

2. Cipta model asas

Model asas adalah untuk memilih seni bina yang berkait rapat dengan tugasan dalam langkah pertama dalam kes penggunaan kuantiti yang diperlukan. Dalam kes ini, lapisan keluaran akhir perlu dialih keluar dan diubah dengan sewajarnya.

3. Membekukan lapisan permulaan

Membekukan lapisan permulaan model pra-latihan adalah penting untuk mengelakkan model mempelajari ciri asas. Jika anda tidak membekukan lapisan awal, semua pembelajaran yang telah berlaku akan hilang. Ini tidak berbeza dengan melatih model dari awal, mengakibatkan masa terbuang, sumber, dsb.

4. Tambahkan lapisan baharu yang boleh dilatih

Satu-satunya pengetahuan yang digunakan semula daripada model asas ialah lapisan pengekstrakan ciri. Lapisan tambahan perlu ditambah di atas lapisan pengekstrakan ciri untuk meramalkan tugas khas model. Ini biasanya lapisan keluaran akhir.

5. Latih lapisan baharu

Besar kemungkinan keluaran akhir model pra-latihan akan berbeza daripada keluaran model yang kita inginkan, di mana lapisan keluaran baharu mesti digunakan untuk melatih model itu.

6. Perhalusi model

untuk meningkatkan prestasi model. Penalaan halus melibatkan penyahbekuan bahagian model asas dan melatih keseluruhan model sekali lagi pada keseluruhan set data pada kadar pembelajaran yang sangat rendah. Kadar pembelajaran yang rendah akan meningkatkan prestasi model pada set data baharu sambil mengelakkan pemasangan berlebihan.

Perbezaan antara pembelajaran mesin tradisional dan pembelajaran pemindahan

1. Model pembelajaran mesin tradisional perlu dilatih dari awal, yang memerlukan sejumlah besar pengiraan dan sejumlah besar data untuk mencapai prestasi tinggi. Pembelajaran pemindahan, sebaliknya, adalah cekap dari segi pengiraan dan membantu mencapai hasil yang lebih baik menggunakan set data yang kecil.

2. Pembelajaran mesin tradisional menggunakan kaedah latihan terpencil, dan setiap model dilatih secara bebas untuk tujuan tertentu dan tidak bergantung pada pengetahuan lepas. Sebaliknya, pembelajaran pemindahan menggunakan pengetahuan yang diperoleh daripada model pra-terlatih untuk mengendalikan tugas.

3 Model pembelajaran pemindahan mencapai prestasi optimum lebih cepat daripada model ML tradisional. Ini kerana model yang memanfaatkan pengetahuan (ciri, berat, dll.) daripada model yang dilatih sebelum ini sudah memahami ciri ini. Ia lebih pantas daripada melatih rangkaian saraf dari awal.

Konsep pembelajaran pemindahan mendalam

Banyak model rangkaian dan model saraf pra-latihan membentuk asas pembelajaran pemindahan dalam konteks pembelajaran mendalam, yang dipanggil pembelajaran pemindahan mendalam.

Untuk memahami proses model pembelajaran mendalam, adalah perlu untuk memahami komponennya. Sistem pembelajaran mendalam ialah seni bina berlapis yang boleh mempelajari ciri yang berbeza pada lapisan yang berbeza. Lapisan awal menyusun ciri peringkat lebih tinggi, yang disempitkan kepada ciri berbutir halus semasa kita pergi lebih dalam ke dalam rangkaian.

Lapisan ini akhirnya disambungkan ke lapisan terakhir untuk mendapatkan output akhir. Ini membuka had penggunaan rangkaian pra-latihan popular tanpa perlu menggunakan lapisan terakhirnya sebagai pengekstrak ciri tetap untuk tugasan lain. Idea utama ialah menggunakan lapisan wajaran model pra-latihan untuk mengekstrak ciri, tetapi tidak mengemas kini pemberat model semasa latihan dengan data baharu untuk tugasan baharu.

Rangkaian saraf dalam ialah struktur berlapis dengan banyak hiperparameter boleh laras. Peranan lapisan awal adalah untuk menangkap ciri generik, manakala lapisan kemudian lebih tertumpu pada tugas eksplisit yang ada. Adalah wajar untuk memperhalusi perwakilan ciri tertib lebih tinggi dalam model asas untuk menjadikannya lebih berkaitan dengan tugasan tertentu. Kami boleh melatih semula lapisan model tertentu sambil mengekalkan beberapa pembekuan dalam latihan.

Satu cara untuk meningkatkan lagi prestasi model adalah dengan melatih semula atau memperhalusi pemberat pada lapisan atas model pra-latihan sambil melatih pengelas. Ini memaksa pemberat dikemas kini daripada peta ciri biasa yang dipelajari daripada tugas sumber model. Penalaan halus akan membolehkan model menggunakan pengetahuan lepas dan mempelajari semula sesuatu dalam domain sasaran.

Selain itu, seseorang harus cuba memperhalusi beberapa lapisan atas dan bukannya keseluruhan model. Beberapa lapisan pertama mempelajari ciri umum asas yang boleh digeneralisasikan kepada hampir semua jenis data. Tujuan penalaan halus adalah untuk menyesuaikan ciri khusus ini kepada set data baharu, dan bukannya mengatasi pembelajaran umum.

Atas ialah kandungan terperinci Memahami strategi, langkah, perbezaan dan konsep pembelajaran pemindahan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!