遷移學(xué)習(xí)：共享AI智慧的途徑

高煥堂

0引言

遷移學(xué)習(xí)（Transfer Learning）就像俗稱的“拿來(lái)主義”，善用別人已經(jīng)訓(xùn)練好模型的參數(shù)（智慧），引入到自己的模型里，可以迅速建立1個(gè)AI的應(yīng)用情境。本文以ResNet50為例，說(shuō)明如何復(fù)用（Reuse）已經(jīng)訓(xùn)練好的ResNet50的智慧（模型和參數(shù)），幫您瞬間探索任何一張圖像的特征（Feature），然后幫您識(shí)別出圖片里的人或物的種類，如水牛、斑馬、貓頭鷹或汽車等。

1認(rèn)識(shí)遷移學(xué)習(xí)：以ResNel50為例

AI的智慧是來(lái)自機(jī)器的自我學(xué)習(xí)，通稱為機(jī)器學(xué)習(xí)。它經(jīng)常需要借助大量的數(shù)據(jù)來(lái)訓(xùn)練。例如，ResNet50就使用100多萬(wàn)張圖像而訓(xùn)練出來(lái)的。在訓(xùn)練的過(guò)程中，它去探索每張圖像中的特稱，并且學(xué)習(xí)歸納和分類。目前的ResNet50可以準(zhǔn)確地識(shí)別出1000種人或物，如日常生活中常遇到的狗、貓、食物、汽車和各種家居物品等。例如，您可以隨意從百度圖片上截取一張224x224大小的圖片，如圖1。

當(dāng)您把這圖片提交給Re sNet50，它會(huì)瞬間探索并進(jìn)行分類，然后告訴您：我預(yù)測(cè)這是大熊貓（Giantpanda）。

2介紹ResNel50模型的結(jié)構(gòu)

目前最常見的AI圖像識(shí)別模型是：卷積網(wǎng)路（cNN）模型。這ResNet50就是基于CNN的模型，如圖2。

其中，CNN模型包含兩部分：卷積層（convolutionLayers）與全連接層（Full-Connected Layers）。前者我特別稱之為丫鬟部分;而后者則稱之為格格部分，如圖3。

Conv部分比較復(fù)雜，共約有40個(gè)層;而FC部分約有10個(gè)層。所以稱之為ResNet50模型。

3復(fù)用ResNel50智慧的方法

典型的復(fù)用（Reuse）步驟如下。

它告訴您了：我預(yù)測(cè)99%的可能性是大熊貓（Giantpanda）。

5僅復(fù)用丫鬟，訓(xùn)練自己的格格

5.1說(shuō)明

由于ResNet50是典型的CNN模型，包含卷積層與FC層。在上一節(jié)里，使用Excel畫面來(lái)操作ResNet50，并復(fù)用了全部（卷積層與FC層）的權(quán)重，就不必重新訓(xùn)練，而直接用來(lái)辨別圖像里的東西。在本節(jié)里，就來(lái)介紹另一種用法：只復(fù)用它的卷積層（丫鬟）部分，而不復(fù)用FC層（格格）部分的權(quán)重。也就是，要自己來(lái)訓(xùn)練FC層（格格）部分。

在CNN模型（女DResNet50）里，丫鬟部分負(fù)責(zé)探索像的特征，然后把這些特征值交給格格，讓格格（依據(jù)特征值）來(lái)分辨出種類。例如，丫鬟看到一張圖片里的動(dòng)物特征是：身體黑白條紋、4只腳，然后格格就依據(jù)這特征而判斷這很可能是一匹斑馬。

雖然ResNet50里的格格已經(jīng)有智慧來(lái)進(jìn)行圖像分類（classification）了，而且可以辨識(shí)1000種日常生活中的人或物。然而，在一些較狹窄的應(yīng)用場(chǎng)域里，只需要（更準(zhǔn)確）辨識(shí)較少的種類時(shí)，就需要訓(xùn)練自己的格格。

剛才提到了，有些場(chǎng)合需要重新訓(xùn)練格格來(lái)分類，但是丫鬟具有的探索像特征的智慧，卻可以復(fù)用之。亦即，能借助于ResNet50的丫鬟（即卷積部分）的智慧，幫忙探索我的圖片，來(lái)協(xié)助訓(xùn)練新的格格。一旦新格格訓(xùn)練好了之后，ResNet50原有的丫鬟就能和新格格協(xié)同合作，來(lái)更精確地區(qū)分特定的數(shù)據(jù)（圖片）集了。由于不必重新訓(xùn)練丫鬟部分，就能節(jié)約許多訓(xùn)練（丫鬟的）時(shí)間。

5.2準(zhǔn)備數(shù)據(jù)，來(lái)訓(xùn)練新格格

茲拿一個(gè)較狹小的應(yīng)用場(chǎng)域，只需要格格來(lái)分辨3個(gè)種類：斑馬、貓頭鷹和蘑菇。于是，筆者在/oopc/v data/train/文件夾里，準(zhǔn)備了150張圖片（皆為224x224），包括50張斑馬、50張貓頭鷹、以及50張蘑菇的圖片。將它們分別放在這3個(gè)小文件夾里：

亦即，在/v_data/train/里共有150張圖片，分為3種類（Classes）。接下來(lái)，就拿3類的圖像來(lái)訓(xùn)練自己的.格格。于是，繼續(xù)使用jjtl8模板，執(zhí)行jjtl8PY呈現(xiàn)出<工作表2”的畫面，并按下

大約經(jīng)過(guò)5分鐘，就可訓(xùn)練完畢了。接著點(diǎn)選“工作表3”，并按下“Show”按鈕，就顯示出一張圖片，如下圖。

接著，按下“Prediet”，就把這張圖片提交給ResNet50去識(shí)別。此時(shí)，就先由（ResNet50原有的）丫鬟先去探索這張圖片的特征，然后把特征值轉(zhuǎn)交給新格格去分類。最后由格格輸出結(jié)果如圖7。

6結(jié)語(yǔ)

本文是以ResNet50為例，說(shuō)明如何借助ResNet50已經(jīng)訓(xùn)練好的智慧去識(shí)別形形色色的圖像。此外，還可以復(fù)用ResNet50里的丫鬟智慧，搭配自己的圖片集，來(lái)訓(xùn)練自己的新格格，更新了ResNet50的智慧。

隨著AI的應(yīng)用領(lǐng)域愈來(lái)愈多，除7ResNet50之外，您還可以通過(guò)本文所介紹的“遷移學(xué)習(xí)”途徑來(lái)共享更多的AI模型和智慧。