机器学习的所有资源链接和经验教训（九）细胞神经网络

细胞神经网络

• 将CNN用于任何与图像相关的任务。我真的很难想到CNN没有彻底改变的任何图像处理任务。
  • 话虽这么说，如果您有延迟，功耗，计算或内存限制，您可能不想使用CNN。在很多不同的领域（例如物联网），使用CNN的一些缺点就是爆发。
• 转学是比看起来更难。从第一手经验中找到。在黑客马拉松期间，我的朋友和我想确定某人是否有不良姿势（来自图片）因此我们花了相当多的时间创建500图像数据集，但即使使用预训练模型，也要切断最后一个虽然网络能够在训练集上学习并获得相当高的准确度，但是验证和测试精度并不能说明过度拟合可能是一个问题（由于我们的小数据集）。故事的道德是不要认为转移学习会来并保存你的图像处理任务。花费大量时间来创建可靠的数据集，并了解您需要的模型类型，以及您需要对预训练网络进行哪些修改。
  • 转学也很有意思，因为你可以采用两种不同的方式。您可以使用转移学习进行微调。这是您在预训练的CNN（在Imagenet上训练），切断最后一个完全连接的图层，添加特定于您的任务的FC图层，然后重新训练您的数据集的地方。然而，还有另一种有趣的方法叫做特征提取的转移学习。您可以在此处获取预训练的CNN，通过CNN传递数据，从最后一个卷积层获取输出激活，然后使用该特征表示作为训练更简单模型（如SVM或线性回归）的数据。