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。……