什么是区别和因素，帮助作出决定之间的选择，使用培训前的模式与从头开始？

Question

我正在探索如何创建一个对象检测模型来对图像中的项目进行分类。有3个类别，我有100个图像每堂课。

我在这里发现了张量流教程：https://tensorflow-object-detection-api-tutorial.readthedocs.io/en/latest/training.html#configuring-a-training-job

上面写着：

为了本教程的目的，我们将不会从头开始创建一个培训工作，而是重用TensorFlow提供的一个预先培训过的模型。

在上面的引文中，pre-trained model是否意味着它将重复使用来自预培训模型的培训数据(我看不到在预培训模型中使用的原始文件)，再加上我的300张图像(每班100张)？

什么是区别和因素，帮助作出决定之间的选择，使用培训前的模式与从头开始？

Answer 1

在上述引文中，预培训模型是否意味着它将重复使用来自预培训模型的培训数据(我看不到预培训模型中使用的原始文件)，再加上我的300张图像(每班100张)？

不是的。

使用预先训练的模型意味着，对于你要训练的模型，初始的权重将从一个已经训练过的模型中提取出来；要做到这一点，预训练模型的体系结构需要与你的模型的体系结构相匹配。另一方面，从零开始的训练意味着模型的初始权重将被随机设置。

当你没有大量的标签数据时，你通常使用一个预先训练过的模型。通过使用预先培训过的模型，您正在进行“转移学习”，这意味着您正在将以前在数据集中学习的内容转移到您的数据集中。

当你使用预先训练过的模型时，你通常会设定一个较小的学习速率，以避免出现过多的分歧。在某些情况下，你只训练一些层的模型，“冻结”原来的重量，从预先训练的模型在其余的层。