机器学习 李宏毅 L30-Transfer Learning
2018-02-03 20:55
176 查看
Transfer Learning简介
Transfer Learning的用途包括语音辨识、图像识别和文本分析。Transfer Learning中相关的数据称为source data,而实际的数据成为target data。Transfer learning的目标是通过学习source data的数据集,得到较好的处理target data的能力。这里需要注意,source data和target data的内容相近但是不一样。
Model fine tuning
对于source data和target data均有label时,可以进行model fine tuning的操作。一般而言,source data的数量较多,而target data数量较少(有一种称为one-shot learing)。这是监督学习的例子,对于model fine tuning,可以使用source data进行训练,然后利用target data进行模型的fine tuning(微调,例如在进行梯度下降时仅进行几次更新)。由于target data数量很少,很容易就会overfitting。这可以使用conservative training进行,保证新的网络与原始网络相差不大(可以采用相同输入,两个网络输出相差不大);还可以使用仅调整一个hidden layer的参数,其余的层可以进行transfer,这样可以防止过拟合。
Multitask Learning
多任务学习,可以使得神经网络适应于多任务。该场景包含单个输入、多个输出或者多个输入、多个输出。典型的应用场景包括多语言语音辨识、ProgressiveDomain-adversarial training
属于同一个任务的学习过程zero-shot learning
处理不同的tasks。target data没有在source data中出现,这里需要将source data进行进一步分解,得到不同的基本单位的分布情况。训练时,将输入分解为对应不同的特征分布;测试时,决定输入有哪些属性,从而得到是哪种类别。representing each class by its attributes
或者采用attribute embedding,学习得到一个CNN网络,输入一个image,通过CNN得到一个vector;然后对于一些特征,通过另外一个网络,投影到相同的空间(二者维度相同)。
相关文章推荐
- [机器学习入门] 经典台大李宏毅机器学习课程从这里开始
- 李宏毅机器学习课程
- 李宏毅机器学习-pockmon demo实现
- [机器学习入门] 李宏毅机器学习笔记-6 (Classification: Logistic Regression;逻辑回归)
- [机器学习入门] 李宏毅机器学习笔记-20 (Deep Generative Model-part 3:深度生成模型-part 3)
- [机器学习入门] 李宏毅机器学习笔记-23(Support Vector Machine;支持向量机)
- 机器学习入门笔记- 李宏毅-L1L2
- 机器学习李宏毅第五讲 误差来源讨论
- 机器学习 李宏毅 L15 L16-Hello world of deep learning
- [机器学习入门] 李宏毅机器学习笔记-35(Ensemble part 1;集成方法 part 1)
- 李宏毅机器学习笔记
- [机器学习入门] 李宏毅机器学习笔记-8(Backpropagation;反向传播算法)
- [机器学习入门] 李宏毅机器学习笔记-11(Convolutional Neural Network;卷积神经网络)
- [机器学习入门] 李宏毅机器学习笔记-15 (Unsupervised Learning: Word Embedding;无监督学习:词嵌入)
- [机器学习入门] 李宏毅机器学习笔记-24(introduction of Structured Learning;结构化学习介绍)
- 纯干货14 2017年-李宏毅-最新深度学习/机器学习中文视频教程分享_后篇
- [机器学习入门] 李宏毅机器学习笔记-3 (Gradient Descent ;梯度下降)
- 李宏毅机器学习自己的笔记(一)----------Introduction of MachineLearning
- 李宏毅《机器学习》卷积神经网络课程笔记
- 【机器学习(李宏毅)】 一、Learning Map