Các mô hình học sâu phức tạp có hàng triệu tham số (trọng số) và việc đào tạo chúng từ đầu thường yêu cầu một lượng lớn dữ liệu và tài nguyên máy tính. Học chuyển đổi là một kỹ thuật rút ngắn phần lớn điều này bằng cách lấy một phần của mô hình đã được đào tạo về một nhiệm vụ liên quan và sử dụng lại nó trong một mô hình mới.
Ví dụ: hướng dẫn tiếp theo trong phần này sẽ chỉ cho bạn cách xây dựng trình nhận dạng hình ảnh của riêng bạn, tận dụng một mô hình đã được đào tạo để nhận dạng hàng nghìn loại đối tượng khác nhau trong hình ảnh. Bạn có thể điều chỉnh kiến thức hiện có trong mô hình được đào tạo trước để phát hiện các lớp hình ảnh của riêng mình bằng cách sử dụng dữ liệu đào tạo ít hơn nhiều so với yêu cầu của mô hình ban đầu.
Điều này hữu ích cho việc phát triển nhanh các mô hình mới cũng như tùy chỉnh các mô hình trong các môi trường hạn chế về tài nguyên như trình duyệt và thiết bị di động.
Thông thường, khi thực hiện học chuyển giao, chúng tôi không điều chỉnh trọng số của mô hình ban đầu. Thay vào đó, chúng tôi loại bỏ lớp cuối cùng và đào tạo một mô hình mới (thường khá nông) trên đầu ra của mô hình bị cắt bớt. Đây là kỹ thuật mà bạn sẽ thấy được trình bày trong các hướng dẫn trong phần này:
- Xây dựng bộ phân loại hình ảnh dựa trên học chuyển giao
- Xây dựng bộ nhận dạng âm thanh dựa trên học chuyển giao
Để biết ví dụ bổ sung về học chuyển đổi bằng TensorFlow.js, hãy xem Sử dụng mô hình được đào tạo trước .