文章 "神经网络变得轻松（第二十四部分）：改进迁移学习工具"

新评论
 

新文章 神经网络变得轻松（第二十四部分）：改进迁移学习工具已发布：

在上一篇文章中，我们创建了一款用于创建和编辑神经网络架构的工具。 今天我们将继续打造这款工具。 我们将努力令其对用户更加友好。 也许可以看到，我们的主题往上更进一步。 但是，您不认为规划良好的工作空间在实现结果方面起着重要作用吗？


在本系列的上一篇文章中，我们创建了一款工具来利用迁移学习技术。 作为完工后的结果，我们得到了一款工具，能够编辑已训练模型。 利用此工具，我们可以从预训练模型中提取任意数量的神经层。 当然，也有限制条件。 我们只从初始数据层开始提取连续的层。 这种方式的原因在于神经网络的本质。 它们仅对初始数据与训练模型时所采用的数据拟合良好。

甚至，创建的工具不仅允许编辑已训练的模型。 它还允许创建全新的。 这就能够避免在程序代码中描述模型体系结构。 我们只需利用该工具描述模型。 然后，我们从文件加载已创建神经网络来跟踪和使用模型。 这样就可以在不更改程序代码的情况下试验不同的体系结构。 甚至不需要重新编译程序。 您只需更改模型文件。

这种有用的工具也应尽可能地做到用户友好。 因此，在本文中，我们将尝试提高其可用性。

作者：Dmitriy Gizlyk

新评论