迁移学习是一种深度学习方法，其中针对一项任务训练的模型被用作执行类似任务的模型的起点。使用迁移学习更新和再培训网络通常比从头开始培训网络更快、更容易。该方法通常用于目标检测、图像识别和语音识别等应用。
迁移学习是一种流行的技术，因为：
- 它使您能够通过重用已经在大型数据集上训练过的流行模型来训练带有较少标记数据的模型。
- 它可以减少训练时间和计算资源。在转移学习中，权重不是从头开始学习的，因为预训练的模型已经根据以前的学习来学习权重。
- 您可以利用深度学习研究社区开发的模型体系结构，包括流行的体系结构，如GoogLeNet和ResNet。
迁移学习的预训练模型
迁移学习的中心是预训练深度学习模型，由深度学习研究人员构建，使用数千或数百万样本训练图像进行训练。
有许多预训练模型可用，每种模型都有其优点和缺点需要考虑：
- 大小：模型所需的内存占用量是多少？模型大小的重要性将因部署位置和方式而异。它是在嵌入式硬件上运行还是在桌面上运行？在部署到内存不足的系统时，网络的大小尤其重要。
- 准确性：模型在再培训前表现如何？通常，对于ImageNet（一个包含一百万个图像和一千个图像类的常用数据集）来说，一个性能良好的模型也可能在新的类似任务中表现良好。然而，ImageNet上的低准确度分数并不一定意味着该模型在所有任务上都表现不佳。
- 预测速度：模型预测新输入的速度有多快？虽然预测速度可能会因其他深度学习（如硬件和批量大小）而有所不同，但速度也会因所选模型的体系结构和模型的大小而有所不同。
比较流行的预训练网络的模型大小、速度和准确性。.
您可以使用MATLAB和深度学习工具箱来访问来自最新研究的预训练网络用一行代码。工具箱还提供了为转移学习项目选择合适网络的指导。
哪种模式最适合您的迁移学习应用程序？
具有许多迁移学习模式可供选择，记住所涉及的权衡和特定项目的总体目标是很重要的。例如，精确度相对较低的网络可能非常适合新的深度学习任务。一个好的方法是尝试各种模型，以找到最适合您的应用程序的模型。
简单的入门模型。使用简单的模型，如AlexNet、GoogLeNet、VGG-16和VGG-19，您可以快速迭代并尝试不同的数据预处理步骤和训练选项。一旦您看到哪些设置工作正常，您可以尝试更精确的网络，看看这是否会改善您的结果。
轻量级且计算效率高的模型.SqueezeNet、MobileNet-v2和ShuffleNet是部署环境限制模型大小时的好选择。
你可以用深度网络设计器快速评估项目的各种预训练模型，更好地理解不同模型体系结构之间的权衡。
迁移学习工作流
尽管迁移学习体系结构和应用程序多种多样，大多数转移学习工作流遵循一系列常见步骤.
- 选择一个预训练模型。开始时，选择一个相对简单的模型会有帮助。这个例子使用了GoogLeNet，这是一个流行的网络，有22层深度，已经被训练为分类1000个对象类别。
- 替换最后一层。要重新训练网络以对一组新的图像和类别进行分类，请替换GoogLeNet模型的最后几层。最后一个完全连接的层被修改为包含与新类别数量相同的节点数，以及一个新的分类层，该分类层将根据softmax层计算的概率生成输出。
- 修改图层后，最终完全连接的图层将指定刚出现的网络将学习的类的数量，分类层将确定网络的输出刚出现的输出类别可用。例如，GoogLeNet最初是针对1000个类别进行训练的，但通过替换最后的层，您可以对其进行重新训练，以便仅对您感兴趣的五个（或任何其他数量）类别的对象进行分类。
- （可选）冻结权重。通过将网络中早期层的学习速率设置为零，可以冻结这些层的权重。在训练过程中，冻结层的参数不会更新，这可以显著加快网络训练速度。如果新数据集很小，则冻结权重也可以防止网络过度拟合新数据集。
- 对模型进行再培训。再培训将更新网络，以学习和识别与新图像和类别相关的特征。在大多数情况下，再培训所需的数据比从头开始培训模型所需的数据要少。
- 预测和评估网络准确性。重新训练模型后，可以对新图像进行分类，并评估网络的性能。
转移学习工作流：加载网络、替换层、训练网络和评估准确性。.
在这种情况下，通过迁移学习可以在更短的时间内实现更高的模型精度。
比较从头开始培训和转移学习的网络性能（准确性）。.
迁移学习的交互式方法
使用Deep Network Designer，您可以以交互方式完成整个转移学习工作流–包括导入预训练模型、修改最终层以及使用新数据重新训练网络–几乎不需要编码。
