CNN的转移学习

Question

嗨，我正在尝试进行多分辨率的转移学习，例如使用图像分辨率的一个范围进行训练，然后针对图像的不同分辨率进行微调。 我想问几件事：
1）与设计CNN架构相比，转移学习的主要优势是什么？

2）我需要做些什么实验才能展示出转移学习的优势。

Answer 1

1）通常对于计算机视觉任务，训练严格的CNN架构所需的数据集通常不会很小。因此，基本上，您需要大量数据。这是我们所有人在计算机视觉领域中遇到的主要问题。转移学习的主要优点是，您基本上可以重用模型在另一个数据集中学习到的内容，尤其是在网络的第一层（多少：取决于您拥有多少数据），而仅使用另一层重新训练最后几层小数据集。如果您有一个庞大的数据集可用于从头开始训练，那么不建议您进行迁移学习。

2）通常，通常，您可以尝试使用已有的数据训练体系结构，并比较另一台笔记本电脑的一些预训练权重。显然，根据您拥有的数据和训练的模型，您是否会获得更好的结果。