迁移学习和预训练模型

简单来说，迁移学习意味着你需要训练有素的预训练模型来预测一种类，然后直接使用它或仅再训练它的一小部分，以便预测另一种类。例如，您可以采用预训练的模型来识别猫的类型，然后仅对狗的类型再训练模型的小部分，然后使用它来预测狗的类型。

如果没有迁移学习，在大型数据集上训练一个巨大的模型需要几天甚至几个月。然而，通过迁移学习，通过采用预训练的模型，并且仅训练最后几层，我们可以节省大量时间从头开始训练模型。

当没有庞大的数据集时，迁移学习也很有用。在小型数据集上训练的模型可能无法检测在大型数据集上训练的模型可以进行的特征。因此，通过迁移学习，即使数据集较小，也可以获得更好的模型。

在本章中，我们将采用预训练的模型并对新物体进行训练。我们展示了带有图像的预训练模型的示例，并将它们应用于图像分类问题。 您应该尝试找到其他预训练的模型，并将它们应用于不同的问题，如对象检测，文本生成或机器翻译。本章将介绍以下主题：

• ImageNet 数据集
• 再训练或微调模型
• COCO 动物数据集和预处理
• 使用 TensorFlow 中预训练的 VGG16 进行图像分类
• TensorFlow 中的图像预处理，用于预训练的 VGG16
• 在 TensorFlow 中使用 再训练 VGG16 进行图像分类
• 使用 Keras 中预训练的 VGG16 进行图像分类
• 使用 再训练 VGG16 在 Keras 中进行图像分类
• 使用 TensorFlow 中的 Inception v3 进行图像分类
• 在[TensorFlow]中使用 再训练 Inception v3 进行图像分类