钟明静，卢涵宇*，李丹杨，张涛，侯汝冲，胡正江

(1.贵州大学 大数据与信息工程学院， 贵州 贵阳 550025；2.贵州力创科技发展有限公司， 贵州 贵阳 550018)

0 引言

目前，深度学习逐渐应用于各种场景，如语音识别、自动机器翻译、自动驾驶汽车、拍照识别等,这些都是当前人们在人工智能发展方面的成果[1-15]。然而，很多新兴课题的出现并不能第一时间使用特有的深度学习模型训练，这时，迁移学习就相对有参考价值。可从四个方面展开迁移：样本数据，知识结构，完成或改进的目标领域，完成任务的学习效果。如今，迁移学习的应用领域越来越广泛，有自然语言处理、计算机视觉、医疗健康和生物信息学、从模拟中学习、用户评价、推荐系统和个性化对话等[1]。

迁移学习(transfer learning, TL)就由此被提出，TL的初衷是节省人工标注样本的时间，让模型可以通过已有的标记数据向未标记数据迁移。表现得比较好的监督学习需要大量的标注数据，而标注数据对于人类来说是一项费时费力的巨大任务，如刘健[2]用Inception结构迁移到Fer2013数据库训练，提出双激活层网络结构获得了61.59 %的分类效果;丁剑飞[3]结合SVM分类器计算特征得分情况，再运用迁移MobileNets网络库迭代800次时，准确率达到93.86 %；王瑞琼[4]将InceptionV3迁移模型训练CK+数据库并进行微调，训练效果得到提升。

笔者提出了一种基于迁移学习的深度学习模型，利用几种新模型迁移到表情识别的训练中，并与搭建的一个三层卷积层的神经网络进行对比，通过大量的训练实验对比四种模型，仿真实验表明，笔者提出的模型应用于人脸表情识别，识别率在本文的表情数据库上取得较好的迁移学习效果。……