迁移学习是人工智能机器学习中的一种(除了

2018-07-17 03:56 来源:未知

  秒速赛车迁移是机器学习中一种常见的方法,可以通过迁移学习,将一些建好的学习模型通过迁移的方式来加速训练过程。

  迁移学习是人工智能机器学习中的一种(除了迁移学习还有深度学习、强化学习),将一个开发模型应用到其他任务或是类型中,也就是在机器处理全新的领域时,难以获取大量数据取构建模型时可以通过迁移学习的方法,通过少量数据训练从而适用于新领域。通俗来讲,迁移学习就是一种举一反三的学习方法。

  比如:我们学会了弹吉他,我们再去学习钢琴、小提琴等其他乐器,可以节约好多时间,我们可以从学习吉他中的乐理知识、音阶等相关知识,迁移到其他乐器中,从而降低我们学习的成本,节约学习的时间。

  迁移是机器学习中一种常见的方法,通常应用到计算机视觉、自然语言处理等相关人工智能领域,通过神经网路学习需要大量数据、长时间的计算,某些情况下我们难以获取足够的资源,所以我们通过迁移学习的方式,将一些建好的学习模型通过迁移的方式来加速训练过程。

  域:一个域 D 由一个特征空间 X 和特征空间上的边际概率分布 P(X) 组成,其中 X=x1,x2,…xn 。举个例子:对于一个有文档,其有很多词袋表征(bag-of-words representation)X 是所有文档表征的空间,而 xi 是第 i 个单词的二进制特征。P(X)代表对X的分布。

  任务:在给定一个域 D={X,P(X)} 之后,一个任务 T 由一个标签空间 y 以及一个条件概率分布 P(Y/X) 构成,其中,这个条件概率分布通常是从由特征—标签对 xi,yi组成的训练数据中学习得到。

  以上概念如果不是专门做AI技术的同学可能很难理解,那我们举个例子来解释一下:

  有一个养狗的高手,对不同的狗狗的类型都能分辨出来,能够识别不同狗狗的特征。有一天想去卖卖猫猫了,他就从养狗狗的经验上去学习猫猫,分辨猫猫,发现按照狗狗狗的特征是难以正确的分辨猫猫的,因此他又重新学习了猫猫的特征。

  在以上案例中:域就是猫猫或狗狗,源域就是狗狗,目标域就是猫猫,任务就是猫猫或狗狗的特征或是特点,这样说就好理解了。

  意思是说在源域中找到与目标域相似的数据,把这个数据的权值进行调整,让目标域与源域权值数据进行匹配,然后对调整的数据进行训练学习,不断的调整权值,最终形成目标域的模型。

  这种属于源域中的样本进行迁移,也就是样本与样本之间相似度较高的情况,我们看如下图片(以下图片来自于百度):

  意思是说通过源域与目标域相同的特征进行提取,找到共同特征,然后学习。它与基于实例的迁移学习方法,不同在于——基于实例的是从实际数据中进行选择来匹配与目标域相似的部分,进行学习,基于特征的是找到源域与目标域的相同交集特征,进行学习。

  意思是说通过源域训练好的模型,直接应用到目标域中,通过目标域中少量数据去训练此模型,进行学习,比如:你有一个识别狼狗的模型,这个模型可以男出来训练哈士奇。

  意思是说当两个域是有某些相似的时候,他们之间存在某种关系,我们可以根据域中的相同的关系背后逻辑进行迁移,比如:生物病毒传播的规律迁移到电脑病毒的传播规律。

  通过对迁移学习的概述以及迁移学习的方法的介绍,我们总结一下迁移学习使用场景:

  对于我们产品经理,我们在设计产品或是设计某些逻辑的时候,可以看一下我们设计场景是否符合迁移学习的使用场景,我们如果通过迁移学习的方法,去解决我们的产品设计问题。

  比如:不同产品用户评价模型的迁移,一个产品好或者坏,我们需要分析大量用户的评价,通过对评价的标注,建立评价模型但。是如果我们有大量产品,并且不同用户有不同的用户评价习。