مدل‌های یادگیری عمیق پیچیده میلیون‌ها پارامتر (وزن) دارند و آموزش آن‌ها از ابتدا اغلب به مقادیر زیادی داده و منابع محاسباتی نیاز دارد. یادگیری انتقالی تکنیکی است که بسیاری از این موارد را با برداشتن یک قطعه از مدلی که قبلاً در مورد یک کار مرتبط آموزش دیده است و استفاده مجدد از آن در یک مدل جدید میانبر می‌کند.
به عنوان مثال، آموزش بعدی در این بخش به شما نشان می‌دهد که چگونه تشخیص‌دهنده تصویر خود را بسازید که از مدلی استفاده می‌کند که قبلاً برای تشخیص 1000 نوع شیء مختلف در تصاویر آموزش داده شده است. شما می توانید دانش موجود در مدل از پیش آموزش دیده را با استفاده از داده های آموزشی بسیار کمتر از مدل اصلی مورد نیاز، برای شناسایی کلاس های تصویر خود تطبیق دهید.
این برای توسعه سریع مدل‌های جدید و همچنین سفارشی‌سازی مدل‌ها در محیط‌های محدود به منابع مانند مرورگرها و دستگاه‌های تلفن همراه مفید است.
اغلب هنگام انجام یادگیری انتقالی، وزن مدل اصلی را تنظیم نمی کنیم. در عوض لایه نهایی را حذف می کنیم و یک مدل جدید (اغلب نسبتاً کم عمق) را در بالای خروجی مدل کوتاه شده آموزش می دهیم. این تکنیکی است که در آموزش های این بخش نشان داده شده است:
- یک طبقه‌بندی‌کننده تصویر مبتنی بر یادگیری انتقالی بسازید
- یک تشخیص دهنده صوتی مبتنی بر یادگیری انتقالی بسازید
برای مثال اضافی از یادگیری انتقال با استفاده از TensorFlow.js، به استفاده از یک مدل از پیش آموزش دیده مراجعه کنید.