高焕堂

0引言

迁移学习（Transfer Learning）就像俗称的“拿来主义”，善用别人已经训练好模型的参数（智慧），引入到自己的模型里，可以迅速建立1个AI的应用情境。本文以ResNet50为例，说明如何复用（Reuse）已经训练好的ResNet50的智慧（模型和参数），帮您瞬间探索任何一张图像的特征（Feature），然后帮您识别出图片里的人或物的种类，如水牛、斑马、猫头鹰或汽车等。

1认识迁移学习：以ResNel50为例

AI的智慧是来自机器的自我学习，通称为机器学习。它经常需要借助大量的数据来训练。例如，ResNet50就使用100多万张图像而训练出来的。在训练的过程中，它去探索每张图像中的特称，并且学习归纳和分类。目前的ResNet50可以准确地识别出1000种人或物，如日常生活中常遇到的狗、猫、食物、汽车和各种家居物品等。例如，您可以随意从百度图片上截取一张224x224大小的图片，如图1。

当您把这图片提交给Re sNet50，它会瞬间探索并进行分类，然后告诉您：我预测这是大熊猫（Giantpanda）。

2介绍ResNel50模型的结构

目前最常见的AI图像识别模型是：卷积网路（cNN）模型。这ResNet50就是基于CNN的模型，如图2。

其中，CNN模型包含两部分：卷积层（convolutionLayers）与全连接层（Full-Connected Layers）。前者我特别称之为丫鬟部分;而后者则称之为格格部分，如图3。

Conv部分比较复杂，共约有40个层;而FC部分约有10个层。所以称之为ResNet50模型。

3复用ResNel50智慧的方法

典型的复用（Reuse）步骤如下。

它告诉您了：我预测99%的可能性是大熊猫（Giantpanda）。

5仅复用丫鬟，训练自己的格格

5.1说明

由于ResNet50是典型的CNN模型，包含卷积层与FC层。在上一节里，使用Excel画面来操作ResNet50，并复用了全部（卷积层与FC层）的权重，就不必重新训练，而直接用来辨别图像里的东西。在本节里，就来介绍另一种用法：只复用它的卷积层（丫鬟）部分，而不复用FC层（格格）部分的权重。也就是，要自己来训练FC层（格格）部分。

在CNN模型（女DResNet50）里，丫鬟部分负责探索像的特征，然后把这些特征值交给格格，让格格（依据特征值）来分辨出种类。例如，丫鬟看到一张图片里的动物特征是：身体黑白条纹、4只脚，然后格格就依据这特征而判断这很可能是一匹斑马。

虽然ResNet50里的格格已经有智慧来进行图像分类（classification）了，而且可以辨识1000种日常生活中的人或物。然而，在一些较狭窄的应用场域里，只需要（更准确）辨识较少的种类时，就需要训练自己的格格。

刚才提到了，有些场合需要重新训练格格来分类，但是丫鬟具有的探索像特征的智慧，却可以复用之。亦即，能借助于ResNet50的丫鬟（即卷积部分）的智慧，帮忙探索我的图片，来协助训练新的格格。一旦新格格训练好了之后，ResNet50原有的丫鬟就能和新格格协同合作，来更精确地区分特定的数据（图片）集了。由于不必重新训练丫鬟部分，就能节约许多训练（丫鬟的）时间。

5.2准备数据，来训练新格格

兹拿一个较狭小的应用场域，只需要格格来分辨3个种类：斑马、猫头鹰和蘑菇。于是，笔者在/oopc/v data/train/文件夹里，准备了150张图片（皆为224x224），包括50张斑马、50张猫头鹰、以及50张蘑菇的图片。将它们分别放在这3个小文件夹里：

亦即，在/v_data/train/里共有150张图片，分为3种类（Classes）。接下来，就拿3类的图像来训练自己的.格格。于是，继续使用jjtl8模板，执行jjtl8PY呈现出<工作表2”的画面，并按下

大约经过5分钟，就可训练完毕了。接着点選“工作表3”，并按下“Show”按钮，就显示出一张图片，如下图。

接着，按下“Prediet”，就把这张图片提交给ResNet50去识别。此时，就先由（ResNet50原有的）丫鬟先去探索这张图片的特征，然后把特征值转交给新格格去分类。最后由格格输出结果如图7。

6结语

本文是以ResNet50为例，说明如何借助ResNet50已经训练好的智慧去识别形形色色的图像。此外，还可以复用ResNet50里的丫鬟智慧，搭配自己的图片集，来训练自己的新格格，更新了ResNet50的智慧。

随着AI的应用领域愈来愈多，除7ResNet50之外，您还可以通过本文所介绍的“迁移学习”途径来共享更多的AI模型和智慧。