在现实世界的项目中使用迁移学习是个好主意吗

Question

场景如果我的意图是为医学图像数据集进行训练，并且我选择了一个coco预训练模型，会怎么样。

我的疑虑

1因为我选择了医学图像，所以在COCO数据集上训练它没有意义，对吧？如果是这样的话，有什么可能的解决方案

2在预先训练的模型中添加更多层会破坏整个模型吗？大约有10多个和10000个训练数据集

3如果没有从头开始的训练，可能的解决方案是什么，比如微调模型

PS-假设此场景是基于出于业务目的部署模型。

谢谢-

Answer 1

是的，在现实世界项目中重用预训练模型或迁移学习是一个好主意，因为它节省了计算时间，而且体系结构得到了验证。

如果您的用例是对医学图像进行分类，即图像分类，则

1. 由于我选择了医学图像，因此没有必要对其进行训练COCO数据集，对吧？如果是这样的话，有什么可能的解决方案？

是的，COCO数据集对图像分类不是一个好主意，因为它对对象检测很有效。可以重用VGGNet或ResNet或Inception Net或EfficientNet。有关更多信息，请参阅TF HUB模块。

2. 在预先训练的模型中添加更多层会破坏整个模型吗？大约有10多个和10000个训练数据集？

否。我们可以删除预训练模型的顶层，并添加自定义层，而不会影响预训练模型性能。

3. 如果没有从头开始的训练，可能的解决方案是什么，比如微调模型？

除了使用预训练模型外，您还可以使用Tensorboard的HParams调整模型的超参数(您添加的自定义层(。