目录
一、什么是迁移学习
迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发 的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过 从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算 法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学 习社区持续关注的话题。 迁移学习对人类来说很常见，例如，我们可能会发现 学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。
找到目标问题的相似性，迁移学习任务就是从相似性出发，将旧领域 (domain)学习过的模型应用在新领域上
二、为什么需要迁移学习？
1. 大数据与少标注的矛盾：
虽然有大量的数据，但往往都是没有标注的， 无法训练机器学习模型。人工进行数据标定太耗时。
2. 大数据与弱计算的矛盾：
普通人无法拥有庞大的数据量与计算资源。因 此需要借助于模型的迁移。
3. 普适化模型与个性化需求的矛盾：
即使是在同一个任务上，一个模型也 往往难以满足每个人的个性化需求，比如特定的隐私设置。这就需要在 不同人之间做模型的适配。
4. 特定应用（如冷启动）的需求。
三、迁移学习的基本问题有哪些？
基本问题主要有3个：
- How to transfer： 如何进行迁移学习？（设计迁移方法）
- What to transfer： 给定一个目标领域，如何找到相对应的源领域， 然后进行迁移？（源领域选择）
- When to transfer： 什么时候可以进行迁移，什么时候不可以？（避 免负迁移）
四、 迁移学习有哪些常用概念？
基本定义
域(Domain)：数据特征和特征分布组成，是学习的主体
源域 (Source domain)：已有知识的域
目标域 (Target domain)：要进行学习的域
任务 (Task)：由目标函数和学习结果组成，是学习的结果
按特征空间分类
按迁移情景分类
归纳式迁移学习（Inductive TL）：源域和目标域的学习任务 不同
直推式迁移学习（Transductive TL)：源域和目标域不同，学 习任务相同
无监督迁移学习（Unsupervised TL)：源域和目标域均没有 标签 按迁移方法分类
基于样本的迁移 (Instance based TL)：通过权重重用源域和 目标域的样例进行迁移
基于样本的迁移学习方法 (Instance based Transfer Learning) 根据一定的权重生成规则，对数据样本进行重用， 来进行迁移学习。下图形象地表示了基于样本迁移方法的思想 源域中存在不同种类的动物，如狗、鸟、猫等，目标域只有狗 这一种类别。在迁移时，为了最大限度地和目标域相似，我们 可以人为地提高源域中属于狗这个类别的样本权重。
基于特征的迁移 (Feature based TL)：将源域和目标域的特 征变换到相同空间
基于特征的迁移方法 (Feature based Transfer Learning) 是 指将通过特征变换的方式互相迁移,来减少源域和目标域之间的 差距；或者将源域和目标域的数据特征变换到统一特征空间中, 然后利用传统的机器学习方法进行分类识别。根据特征的同构 和异构性,又可以分为同构和异构迁移学习。下图很形象地表示 了两种基于特 征的迁移学习方法。
基于模型的迁移 (Parameter based TL)：利用源域和目标域的参数共享 模型
基于模型的迁移方法 (Parameter/Model based Transfer Learning) 是指 从源域和目标域中找到他们之间共享的参数信息,以实现迁移的方法。这种迁移 方式要求的假设条件是： 源域中的数据与目标域中的数据可以共享一些模型的 参数。下图形象地表示了基于模型的迁移学习方法的基本思想。
基于关系的迁移 (Relation based TL)：利用源域中的逻辑网络关系进行迁移
基于关系的迁移学习方法 (Relation Based Transfer Learning) 与上述三种 方法具有截然不同的思路。这种方法比较关注源域和目标域的样本之间的关 系。下图形象地表示了不 同领域之间相似的关系。
五、迁移学习与传统机器学习有什么区别？
六、迁移学习的核心及度量准则？
迁移学习的总体思路可以概括为：开发算法来最大限度地利用有标注的领 域的知识，来辅助目标领域的知识获取和学习。
迁移学习的核心是：找到源领域和目标领域之间的相似性，并加以合理利 用。这种相似性非常普遍。比如，不同人的身体构造是相似的；自行车和摩托 车的骑行方式是相似的；国际象棋和中国象棋是相似的；羽毛球和网球的打球 方式是相似的。这种相似性也可以理解为不变量。以不变应万变，才能立于不 败之地。
有了这种相似性后，下一步工作就是， 如何度量和利用这种相似性。度量 工作的目标有两点：一是很好地度量两个领域的相似性，不仅定性地告诉我们 它们是否相似，更定量地给出相似程度。二是以度量为准则，通过我们所要采 用的学习手段，增大两个领域之间的相似性，从而完成迁移学习。
一句话总结： 相似性是核心，度量准则是重要手段。
七、迁移学习三步走
1加载预训练模型（inceptionnet-v3）（主干网络，backbone），提取所 有图片数据集的特征（特征向量2048维度）。（调用别人训练好的模型，因为 他们的模型泛化能力强，不用自己创建训练模型）
2用特征向量训练自己的后端网络模型，（后端用自己创建dense后端模 型，保存dense后端6个模型）
3调用最后一个模型来显示测试集16张图片预测结果
第一步
import os.path
import numpy as np
# # import tensorflow.compat.v1 as tf
# import tensorflow._api.v2.compat.v1 as tf
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
from tensorflow.python.platform import gfile
MODEL_FILE = 'model/tensorflow_inception_graph.pb'
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
INPUT_IMAGE = 'data/agriculture'
OUTPUT_VEC = 'data/bottleneck'
def load_google_model(path):
with gfile.FastGFile(path, "rb") as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
jpeg_data_tensor, bottleneck_tensor = \
tf.import_graph_def(graph_def, return_elements=
[JPEG_DATA_TENSOR_NAME, BOTTLENECK_TENSOR_NAME])
return jpeg_data_tensor, bottleneck_tensor
def get_random_cached_bottlenecks(sess, path,
jpeg_data_tensor, bottleneck_tensor):
for _, class_name in enumerate(os.listdir(path)):
sub_path = os.path.join(path, class_name)
for img in os.listdir(sub_path):
img_path=os.path.join(sub_path,img)
image_data = gfile.FastGFile(img_path,
'rb').read()
bottleneck_values = sess.run(bottleneck_tensor,
feed_dict={jpeg_data_tensor: image_data})第二步骤:
bottleneck_values = np.squeeze(bottleneck_values)
sub_dir_path = os.path.join(OUTPUT_VEC,
class_name)
if not os.path.exists(sub_dir_path):
os.makedirs(sub_dir_path)
new_image_path=os.path.join(sub_dir_path,
img)+".txt"
if not os.path.exists(new_image_path):
bottleneck_string = ','.join(str(x) for x in
bottleneck_values)
with open(new_image_path, 'w') as
bottleneck_file:
bottleneck_file.write(bottleneck_string)
else:
break
if __name__ == '__main__':
jpeg_data_tensor, bottleneck_tensor =
load_google_model(MODEL_FILE)
with tf.Session() as sess:
tf.global_variables_initializer().run()
get_random_cached_bottlenecks(sess, INPUT_IMAGE,
jpeg_data_tensor, bottleneck_tensor)第二步
import os
import numpy as np
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
# import tensorflow._api.v2.compat.v1 as tf
from sklearn.model_selection import train_test_split
IN_DIR = 'data/bottleneck'
OUT_DIR = 'runs'
checkpoint_every = 100 #every 每,
def get_data(path): x_vecs=[]
y_labels=[]
for i, j in enumerate(os.listdir(path)): #enumerate代表枚
举，把元素一个个列举出来。
sub_path = os.path.join(path, j)
for vec in os.listdir(sub_path):
vec_path = os.path.join(sub_path, vec)
with open(vec_path, 'r') as f:
vec_str = f.read()
vec_values = [float(x) for x in
vec_str.split(',')]
x_vecs.append(vec_values)
y_labels.append(np.eye(5)[i])
return np.array(x_vecs), np.array(y_labels)
image_data,labels=get_data(IN_DIR)
train_data,test_data,train_label,test_label=train_test_split(
image_data,labels,train_size=0.8,shuffle=True)
test_data,val_data,test_label,val_label=train_test_split(test
_data,test_label,train_size=0.5)
if __name__ == '__main__':#入口
X = tf.placeholder(tf.float32, [None, 2048])
Y = tf.placeholder(tf.float32, [None, 5])
with tf.name_scope('final_training_ops'):
logits = tf.layers.dense(X, 5)
with tf.name_scope('loss'):
cross_entropy_mean =
tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits
=logits, labels=Y))
with tf.name_scope('Optimizer'):
train_step =
tf.train.GradientDescentOptimizer(0.001).minimize(cross_entro
py_mean)
with tf.name_scope('evaluation'): correct_prediction = tf.equal(tf.argmax(logits, 1),
tf.argmax(Y, 1))
evaluation_step =
tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 保存检查点
checkpoint_dir =
os.path.abspath(os.path.join(OUT_DIR, 'checkpoints'))
checkpoint_prefix = os.path.join(checkpoint_dir,
'model')
if not os.path.exists(checkpoint_dir):
os.makedirs(checkpoint_dir)
saver = tf.train.Saver(tf.global_variables(),
max_to_keep=6)
for epoch in range(1001):
batch_size = 64
start = 0
num_step = len(train_data) // batch_size
for i in range(num_step):
xb = train_data[start : start + batch_size]
yb = train_label[start : start + batch_size]
start = start + batch_size
_ = sess.run([train_step], feed_dict={X: xb,
Y: yb})
if epoch % 100 == 0:
validation_accuracy =
sess.run(evaluation_step, feed_dict={X: val_data, Y:
val_label})
print("[epoch {}]验证集准确率
{:.3f}%".format(epoch, validation_accuracy * 100))
path = saver.save(sess, checkpoint_prefix,
global_step=epoch)
print('Saved model checkpoint to
{}\n'.format(path))
test_accuracy = sess.run(evaluation_step, feed_dict=
{X: test_data, Y: test_label})第三步骤:
print("测试集准确率{:.3f}%".format(test_accuracy *
100))第三步
import numpy as np
import cv2
import os
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
from tensorflow.python.platform import gfile
import matplotlib.pyplot as plt
MODEL_FILE = 'model/tensorflow_inception_graph.pb'
JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'
BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'
CHECKPOINT_DIR = 'runs/checkpoints'
test_dir = 'data/test/agriculture'
def load_google_model(path):
with gfile.FastGFile(path, "rb") as f:
graph_def = tf.GraphDef()
graph_def.ParseFromString(f.read())
jpeg_data_tensor, bottleneck_tensor = \
tf.import_graph_def(graph_def, return_elements=
[JPEG_DATA_TENSOR_NAME, BOTTLENECK_TENSOR_NAME])
return jpeg_data_tensor, bottleneck_tensor
def create_test_featrue(sess, test_dir, jpeg_data_tensor,
bottleneck_tensor):
test_data, test_feature, test_labels = [], [], []
for i in os.listdir(test_dir):
img = cv2.imread(os.path.join(test_dir, i))
img = cv2.resize(img, (256, 256))
img = cv2.cvtColor(img, cv2.COLOR_RGB2BGR)
test_data.append(img)
img_data = gfile.FastGFile(os.path.join(test_dir, i),
"rb").read() feature = sess.run(bottleneck_tensor, feed_dict=
{jpeg_data_tensor: img_data})
test_feature.append(feature)
test_labels.append(i.split("_")[0])
return test_data, np.reshape(test_feature, (-1, 2048)),
np.array(test_labels)
def show_img(test_data, pre_labels, test_labels):
_, axs = plt.subplots(4, 4)
for i, axi in enumerate(axs.flat):
axi.imshow(test_data[i])
print(pre_labels[i], test_labels[i])
axi.set_xlabel(xlabel=pre_labels[i], color="black" if
pre_labels[i] == test_labels[i] else "red")
axi.set(xticks=[], yticks=[])
plt.savefig(os.path.join("data/test/", 'agriculture' +
".jpg"))
plt.show()
if __name__ == '__main__':
jpeg_data_tensor, bottleneck_tensor =
load_google_model(MODEL_FILE)
class_names = os.listdir("data/agriculture")
num_class= len(class_names)
x_transfer = tf.placeholder(tf.float32, [None, 2048])
y_transfer = tf.placeholder(tf.int64, [None, num_class])
# [None,5]
logits = tf.layers.dense(x_transfer, num_class)
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(CHECKPOINT_DIR)
last_point =
tf.train.latest_checkpoint(CHECKPOINT_DIR)
print(last_point)
saver.restore(sess, last_point)三个步骤代码组合起来实现迁移学习:
test_data, test_feature, test_labels = \
create_test_featrue(sess, test_dir,
jpeg_data_tensor, bottleneck_tensor)
pred = sess.run(tf.argmax(logits, 1), {x_transfer:
test_feature})
show_img(test_data, [class_names[i] for i in pred],
test_labels)
本站资源均来自互联网，仅供研究学习，禁止违法使用和商用，产生法律纠纷本站概不负责！如果侵犯了您的权益请与我们联系！
转载请注明出处： 免费源码网-免费的源码资源网站 » 深度学习之---迁移学习
发表评论 取消回复