遷移學習：共享AI智慧的途徑

高煥堂

0引言

遷移學習（Transfer Learning）就像俗稱的“拿來主義”，善用別人已經訓練好模型的參數（智慧），引入到自己的模型里，可以迅速建立1個AI的應用情境。本文以ResNet50為例，說明如何復用（Reuse）已經訓練好的ResNet50的智慧（模型和參數），幫您瞬間探索任何一張圖像的特征（Feature），然后幫您識別出圖片里的人或物的種類，如水牛、斑馬、貓頭鷹或汽車等。

1認識遷移學習：以ResNel50為例

AI的智慧是來自機器的自我學習，通稱為機器學習。它經常需要借助大量的數據來訓練。例如，ResNet50就使用100多萬張圖像而訓練出來的。在訓練的過程中，它去探索每張圖像中的特稱，并且學習歸納和分類。目前的ResNet50可以準確地識別出1000種人或物，如日常生活中常遇到的狗、貓、食物、汽車和各種家居物品等。例如，您可以隨意從百度圖片上截取一張224x224大小的圖片，如圖1。

當您把這圖片提交給Re sNet50，它會瞬間探索并進行分類，然后告訴您：我預測這是大熊貓（Giantpanda）。

2介紹ResNel50模型的結構

目前最常見的AI圖像識別模型是：卷積網路（cNN）模型。這ResNet50就是基于CNN的模型，如圖2。

其中，CNN模型包含兩部分：卷積層（convolutionLayers）與全連接層（Full-Connected Layers）。前者我特別稱之為丫鬟部分;而后者則稱之為格格部分，如圖3。

Conv部分比較復雜，共約有40個層;而FC部分約有10個層。所以稱之為ResNet50模型。

3復用ResNel50智慧的方法

典型的復用（Reuse）步驟如下。

它告訴您了：我預測99%的可能性是大熊貓（Giantpanda）。

5僅復用丫鬟，訓練自己的格格

5.1說明

由于ResNet50是典型的CNN模型，包含卷積層與FC層。在上一節里，使用Excel畫面來操作ResNet50，并復用了全部（卷積層與FC層）的權重，就不必重新訓練，而直接用來辨別圖像里的東西。在本節里，就來介紹另一種用法：只復用它的卷積層（丫鬟）部分，而不復用FC層（格格）部分的權重。也就是，要自己來訓練FC層（格格）部分。

在CNN模型（女DResNet50）里，丫鬟部分負責探索像的特征，然后把這些特征值交給格格，讓格格（依據特征值）來分辨出種類。例如，丫鬟看到一張圖片里的動物特征是：身體黑白條紋、4只腳，然后格格就依據這特征而判斷這很可能是一匹斑馬。

雖然ResNet50里的格格已經有智慧來進行圖像分類（classification）了，而且可以辨識1000種日常生活中的人或物。然而，在一些較狹窄的應用場域里，只需要（更準確）辨識較少的種類時，就需要訓練自己的格格。

剛才提到了，有些場合需要重新訓練格格來分類，但是丫鬟具有的探索像特征的智慧，卻可以復用之。亦即，能借助于ResNet50的丫鬟（即卷積部分）的智慧，幫忙探索我的圖片，來協助訓練新的格格。一旦新格格訓練好了之后，ResNet50原有的丫鬟就能和新格格協同合作，來更精確地區分特定的數據（圖片）集了。由于不必重新訓練丫鬟部分，就能節約許多訓練（丫鬟的）時間。

5.2準備數據，來訓練新格格

茲拿一個較狹小的應用場域，只需要格格來分辨3個種類：斑馬、貓頭鷹和蘑菇。于是，筆者在/oopc/v data/train/文件夾里，準備了150張圖片（皆為224x224），包括50張斑馬、50張貓頭鷹、以及50張蘑菇的圖片。將它們分別放在這3個小文件夾里：

亦即，在/v_data/train/里共有150張圖片，分為3種類（Classes）。接下來，就拿3類的圖像來訓練自己的.格格。于是，繼續使用jjtl8模板，執行jjtl8PY呈現出<工作表2”的畫面，并按下

大約經過5分鐘，就可訓練完畢了。接著點選“工作表3”，并按下“Show”按鈕，就顯示出一張圖片，如下圖。

接著，按下“Prediet”，就把這張圖片提交給ResNet50去識別。此時，就先由（ResNet50原有的）丫鬟先去探索這張圖片的特征，然后把特征值轉交給新格格去分類。最后由格格輸出結果如圖7。

6結語

本文是以ResNet50為例，說明如何借助ResNet50已經訓練好的智慧去識別形形色色的圖像。此外，還可以復用ResNet50里的丫鬟智慧，搭配自己的圖片集，來訓練自己的新格格，更新了ResNet50的智慧。

隨著AI的應用領域愈來愈多，除7ResNet50之外，您還可以通過本文所介紹的“遷移學習”途徑來共享更多的AI模型和智慧。