文章 "神经网络变得轻松（第二十三部分）：构建迁移学习工具" 新评论 MetaQuotes 2022.11.21 09:18 新文章 神经网络变得轻松（第二十三部分）：构建迁移学习工具已发布： 在本系列文章中，我们已经不止一次提到了迁移学习。 然而，都只是提及而已。 在本文中，我建议填补这一空白，并仔细研究迁移学习。 如以，我看到了三个清晰的模块。 在第一个模块中，我们将操控供体模型。 在此，我们要能够选择含有已训练模型的文件。 从文件加载模型后，该工具必须提供已加载模型的体系结构的说明。 这是因为用户应当了解加载了哪个模型，以及将要复制哪些神经层。 我们还要通知工具有关复制图层的数量。 如上所述，我们将从源数据层开始按顺序复制神经层。 在第二个模块当中，将添加神经层。 在此，我们将创建字段，用于输入有关正在创建的神经层的信息。 与程序代码一样，我们将按顺序逐个定义每个神经层，并将其添加到新模型的架构之中。 第三个模块将显示所创建模型的整体架构，并能够指定一个文件来保存它。 下面呈现该工具的设计示例。 该工具的设计及其实现，两者均仅用于演示目的。 您始终能修改它们来更好地满足您的需求。 作者：Dmitriy Gizlyk 新评论
新文章 神经网络变得轻松（第二十三部分）：构建迁移学习工具已发布：
在本系列文章中，我们已经不止一次提到了迁移学习。 然而，都只是提及而已。 在本文中，我建议填补这一空白，并仔细研究迁移学习。
如以，我看到了三个清晰的模块。 在第一个模块中，我们将操控供体模型。 在此，我们要能够选择含有已训练模型的文件。 从文件加载模型后，该工具必须提供已加载模型的体系结构的说明。 这是因为用户应当了解加载了哪个模型，以及将要复制哪些神经层。 我们还要通知工具有关复制图层的数量。 如上所述，我们将从源数据层开始按顺序复制神经层。
在第二个模块当中，将添加神经层。 在此，我们将创建字段，用于输入有关正在创建的神经层的信息。 与程序代码一样，我们将按顺序逐个定义每个神经层，并将其添加到新模型的架构之中。
第三个模块将显示所创建模型的整体架构，并能够指定一个文件来保存它。 下面呈现该工具的设计示例。
该工具的设计及其实现，两者均仅用于演示目的。 您始终能修改它们来更好地满足您的需求。
作者：Dmitriy Gizlyk