什么是fine-tuning?

在實踐中，由于數據集不夠大，很少有人從頭開始訓練網絡。常見的做法是使用預訓練的網絡（例如在ImageNet上訓練的分類1000類的網絡）來重新fine-tuning（也叫微調），或者當做特征提取器。

以下是常見的兩類遷移學習場景：

卷積網絡當做特征提取器。使用在ImageNet上預訓練的網絡，去掉最后的全連接層，剩余部分當做特征提取器（例如AlexNet在最后分類器前，是4096維的特征向量）。這樣提取的特征叫做CNN codes。得到這樣的特征后，可以使用線性分類器（Liner SVM、Softmax等）來分類圖像。

Fine-tuning卷積網絡。替換掉網絡的輸入層（數據），使用新的數據繼續訓練。Fine-tune時可以選擇fine-tune全部層或部分層。通常，前面的層提取的是圖像的通用特征（generic features）（例如邊緣檢測，色彩檢測），這些特征對許多任務都有用。后面的層提取的是與特定類別有關的特征，因此fine-tune時常常只需要Fine-tuning后面的層。

預訓練模型

決定如何使用遷移學習的因素有很多，這是最重要的只有兩個：新數據集的大小、以及新數據和原數據集的相似程度。有一點一定記住：網絡前幾層學到的是通用特征，后面幾層學到的是與類別相關的特征。這里有使用的四個場景：

新數據集比較小且和原數據集相似。因為新數據集比較小，如果fine-tune可能會過擬合；又因為新舊數據集類似，我們期望他們高層特征類似，可以使用預訓練網絡當做特征提取器，用提取的特征訓練線性分類器。

新數據集大且和原數據集相似。因為新數據集足夠大，可以fine-tune整個網絡。

新數據集小且和原數據集不相似。新數據集小，最好不要fine-tune，和原數據集不類似，最好也不使用高層特征。這時可是使用前面層的特征來訓練SVM分類器。

新數據集大且和原數據集不相似。因為新數據集足夠大，可以重新訓練。但是實踐中fine-tune預訓練模型還是有益的。新數據集足夠大，可以fine-tine整個網絡。

實踐建議

預訓練模型的限制。使用預訓練模型，受限于其網絡架構。例如，你不能隨意從預訓練模型取出卷積層。但是因為參數共享，可以輸入任意大小圖像；卷積層和池化層對輸入數據大小沒有要求（只要步長stride fit），其輸出大小和屬于大小相關；全連接層對輸入大小沒有要求，輸出大小固定。

學習率。與重新訓練相比，fine-tune要使用更小的學習率。因為訓練好的網絡模型權重已經平滑，我們不希望太快扭曲（distort）它們（尤其是當隨機初始化線性分類器來分類預訓練模型提取的特征時）。

總結

以上是生活随笔為你收集整理的微调神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。