Model pembelajaran mendalam yang canggih memiliki jutaan parameter (bobot), dan melatihnya dari awal seringkali membutuhkan data dan sumber daya komputasi dalam jumlah besar. Pembelajaran transfer adalah teknik yang mempersingkat sebagian besar dari ini dengan mengambil bagian dari model yang telah dilatih pada tugas terkait dan menggunakannya kembali dalam model baru.
Misalnya, tutorial berikutnya di bagian ini akan menunjukkan cara membuat pengenal gambar Anda sendiri yang memanfaatkan model yang sudah dilatih untuk mengenali 1000 jenis objek berbeda di dalam gambar. Anda dapat mengadaptasi pengetahuan yang ada dalam model terlatih untuk mendeteksi kelas gambar Anda sendiri menggunakan data pelatihan yang jauh lebih sedikit daripada yang diperlukan model asli.
Ini berguna untuk mengembangkan model baru dengan cepat serta menyesuaikan model di lingkungan dengan sumber daya terbatas seperti browser dan perangkat seluler.
Paling sering saat melakukan pembelajaran transfer, kami tidak menyesuaikan bobot model aslinya. Alih-alih, kami menghapus lapisan terakhir dan melatih model baru (sering kali cukup dangkal) di atas keluaran model terpotong. Ini adalah teknik yang akan Anda lihat didemonstrasikan dalam tutorial di bagian ini:
- Buat pengklasifikasi gambar berbasis pembelajaran transfer
- Buat pengenal audio berbasis pembelajaran transfer
Untuk contoh tambahan pembelajaran transfer menggunakan TensorFlow.js, lihat Menggunakan model terlatih .