Diskussion zum Artikel "Neuronale Netze leicht gemacht (Teil 23): Aufbau eines Tools für Transfer Learning"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel Neuronale Netze leicht gemacht (Teil 23): Aufbau eines Tools für Transfer Learning :
In dieser Artikelserie haben wir bereits mehr als einmal über Transfer Learning berichtet. In diesem Artikel schlage ich vor, diese Lücke zu schließen und einen genaueren Blick auf Transfer Learning zu werfen.
Ich sehe also drei klare Blöcke. Im ersten Block werden wir mit dem Spendermodell arbeiten. Hier brauchen wir die Möglichkeit, eine Datei mit einem trainierten Modell auszuwählen. Nach dem Laden eines Modells aus einer Datei muss das Werkzeug eine Beschreibung der Architektur des geladenen Modells liefern. Der Grund dafür ist, dass der Nutzer wissen sollte, welches Modell geladen ist und welche neuronalen Schichten es kopiert. Wir informieren das Tool auch über die Anzahl der kopierten Ebenen. Wie bereits erwähnt, kopieren wir die neuronalen Schichten nacheinander, beginnend mit der Schicht der Quelldaten.
Im zweiten Block werden die neuronalen Schichten hinzugefügt. Hier werden wir Felder für die Eingabe von Informationen über die zu erstellende neuronale Schicht erstellen. Wie beim Programmcode werden wir nacheinander jede neuronale Schicht einzeln beschreiben und sie zur Architektur des neuen Modells hinzufügen.
Der dritte Block zeigt die ganzheitliche Architektur des erstellten Modells an und bietet die Möglichkeit, eine Datei zum Speichern des Modells anzugeben. Im Folgenden wird ein Beispiel für die Gestaltung des Tools vorgestellt.
Sowohl das Design des Tools als auch seine Implementierung werden nur zu Demonstrationszwecken vorgestellt. Sie können sie jederzeit ändern, um sie an Ihre Bedürfnisse anzupassen.
Autor: Dmitriy Gizlyk