転移学習とは、あるタスク向けに学習したモデルを、類似したタスクを実行するモデルの開始点として使用するディープラーニングの手法です。転移学習によるネットワークの更新と再学習は、ゼロからネットワークを学習させるよりも高速で簡単です。転移学習は画像分類、オブジェクト検出、音声認識などのアプリケーションに使用されます。
転移学習は、ディープラーニング の手法で、あるタスク向けに訓練されたモデルを、類似したタスクを行うモデルの出発点として利用するものです。これにより、ネットワークを一から学習させるよりも高速かつ容易になります。
転移学習を使うと、ラベル付きデータが少なくてもモデルを訓練でき、学習時間や計算資源を節約でき、研究コミュニティで開発されたモデルアーキテクチャ(GoogLeNet や YOLO など)を活用できます。
転移学習はコンピュータビジョン(画像認識、オブジェクト検出、画像セグメンテーション)、音声・オーディオ処理、テキスト分析のアプリケーションで人気があります。
予測速度、モデルサイズ(メモリフットプリント)、精度の3つのトレードオフを考慮してください。素早く反復するためには、まず GoogLeNet や VGG-16 のようなシンプルなモデルから始め、さまざまなモデルを試してアプリケーションに最適なものを見つけるのが有効です。
ワークフローは、事前学習済みモデルの選択、最終層を新しいクラスに合わせて置き換えること、必要に応じて初期層の重みを固定すること(学習率を調整)、データでモデルを再学習すること、そして予測を行いネットワークの精度を評価することを含みます。
MATLAB Deep Learning Model Hub から単一の関数呼び出しでアクセスするか、TensorFlow、PyTorch、ONNX などの外部プラットフォームからインポート関数を使用してモデルを取り込むことができます。
はい。Deep Network Designer アプリを使用すれば、事前学習済みモデルの選択やインポート、層の変更、再学習など、転移学習のワークフロー全体をほとんどまたはまったくコーディングせずに対話的に完了できます。
初期層の学習率をゼロに設定して重みを固定すると、学習が大幅に高速化され、過学習を防げます。特に新しいデータセットが小さい場合に効果的です。