在实际项目中使用转移学习是个好主意吗？

Question

假想

如果我的意图是训练一个医学图像数据集，而我选择了一个coco预培训模型。

我的怀疑

1既然我选择了医学图像，就没有必要在上训练它，对吗？如果是这样，那么做同样的事情有什么可能的解决方案呢？

2在预先训练的模型上增加更多的层会把整个模型搞砸吗？有10多个课程和10000个训练数据集？

3没有从头开始训练，有什么可能的解决方案，比如微调模型？

PS -让我们假设这个场景是基于为业务目的部署模型的。

谢谢-

Answer 1

是的，在真实世界项目中重用预先训练过的模型或传递学习是一个好主意，因为它节省了计算时间，并且证明了体系结构。

如果用例是对医学图像进行分类，即图像分类，那么

1. 既然我选择了医学图像，就没有必要对可可数据集进行训练了，对吧？如果是这样，那么做同样的事情有什么可能的解决方案呢？

是的，COCO数据集对于图像分类不是一个好主意，因为它对于目标检测是有效的。您可以重用VGGNet或ResNet或Inception Net或EfficientNet。有关更多信息，请参考TF毂模块。

1. 在预先训练过的模型中增加更多的层会把整个模型搞砸吗？有10多个课程和10000个训练数据集？

不是的。我们可以删除前训练模型的顶层，并可以添加我们的自定义层，而不影响预培训模型的性能。

1. 没有从头开始训练，有什么可能的解决方案，如微调模型？

除了使用预先训练的模型，您还可以使用HParams板调优模型的超参数(您添加的自定义层)。