一、遷移學習

舉個例子，假設boss讓你做一下目標檢測，這個數據集是關于光纖箱噴碼字符檢測的。問題是，數據集很少（只有1000張數據），里面有多干擾的信息，你發現從零訓練開始訓練yolo的效果很差，很容易過擬合。怎么辦呢，于是你想到了使用Transfer Learning，用別人已經訓練好的Imagenet的模型來做。

二、遷移學習有哪些手法

1. 把Alexnet里卷積層最后一層輸出的特征拿出來，然后直接用SVM分類。這是Transfer Learning，因為你用到了Alexnet中已經學到了的“知識”。
2. Vggnet卷積層最后的輸出拿出來，用貝葉斯分類器分類。思想基本同上。
3. 至你可以把Alexnet、Vggnet的輸出拿出來進行組合，自己設計一個分類器分類。這個過程中你不僅用了Alexnet的“知識”，也用了Vggnet的“知識”。
4. 最后，你也可以直接使用fine-tune這種方法，在Alexnet的基礎上，重新加上全連接層，再去訓練網絡。

三、fine-tune使用策略

決定如何使用遷移學習的因素有很多，這是最重要的只有兩個：新數據集的大小、以及新數據和原數據集的相似程度。有一點一定記住：網絡前幾層學到的是通用特征，后面幾層學到的是與類別相關的特征。這里有使用的四個場景：

1. 新數據集比較小且和原數據集相似。因為新數據集比較小，如果fine-tune可能會過擬合；又因為新舊數據集類似，我們期望他們高層特征類似，可以使用預訓練網絡當做特征提取器，用提取的特征訓練線性分類器。
2. 新數據集大且和原數據集相似。因為新數據集足夠大，可以fine-tune整個網絡。
3. **新數據集小且和原數據集不相似。**新數據集小，最好不要fine-tune，和原數據集不類似，最好也不使用高層特征。這時可是使用前面層的特征來訓練SVM分類器。
4. **新數據集大且和原數據集不相似。**因為新數據集足夠大，可以重新訓練。但是實踐中fine-tune預訓練模型還是有益的。新數據集足夠大，可以fine-tine整個網絡。

四、總結

綜上，Transfer Learning關心的問題是：什么是“知識”以及如何更好地運用之前得到的“知識”。這可以有很多方法和手段。而fine-tune只是其中的一種手段。

總結

以上是默认站点為你收集整理的一、迁移学习与fine-tuning有什么区别？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得默认站点網站內容還不錯，歡迎將默认站点推薦給好友。