文档首页> 网络智能体> 数据中心PUE优化模型生成服务> 常见问题> 什么是迁移学习？
更新时间：2021-09-18 GMT+08:00
查看PDF
分享

什么是迁移学习？

基本概念

迁移学习是属于机器学习的一个领域。它专注于将已有问题的解决模型（或知识）应用于其他不完全相同但相关的问题中。比如，识别卡车的能力可以通过辨识汽车的模型（或知识）来提升；新数据中心（也被称为目标域）相关问题的模型能力，可以通过已有数据中心（也被称为源域）学到的能耗模型或知识来提升。

价值

迁移学习对目标域的训练数据需求量小(如下图所示)，通过迁移源域知识或模型来增强在非训练数据上的回归效果，提升模型的泛化能力，实现模型的跨域部署。

典型方法

  • 特征迁移

    为了提升已有知识从源域到目标域的可迁移性，希望两个域之间的知识尽可能相似。这样就无须考虑阻碍迁移的特定域特征，仅考虑域之间的共同点。与其通过自动解码器学到一些知识后，直接进行相似比较，不如通过积极激励使两个域中的知识变得更加相似，同时也识别出差异的地方，强化迁移效果。

  • 模型迁移

    假设源域和目标域共享模型参数，即目标域应用源域通过大量数据训练好的模型进行预测。例如利用几百万以上的图象训练一个图象识别系统，当遇到新图象领域问题时，无须再准备几十万的图象数据进行训练，只需将已训练好的模型迁移到新领域，此时新领域只需几万张图片，就可以得到很高的精度。优点是可以充分利用模型之间的相似性。

父主题： 常见问题
分享：

    相关文档

    相关产品

close