7、利用迁移学习挖掘预训练网络的强大能力

利用迁移学习挖掘预训练网络的强大能力

在机器学习和计算机视觉领域，迁移学习是一种强大的技术，它能让我们利用预训练网络中的知识，在新的数据集上快速取得良好的效果。本文将介绍如何利用迁移学习，通过不同的方法训练和微调模型，以解决实际问题。

1. 模型筛选与评估

首先，我们进行了一系列实验，使用五个不同的预训练网络提取的特征，对 40 种不同的机器学习算法进行了自动抽查，共进行了 200 次实验。通过将最终报告保存为 JSON 文件，我们可以查看实验结果。

import json

# 假设 final_report 是实验结果的字典
with open('final_report.json', 'w') as f:
    json.dump(final_report, f)

查看 final_report.json 文件，我们发现最佳模型是 PAClf (PassiveAggressiveClassifier) ，它在测试集上的准确率达到了 0.934（93.4%），并且是在从 VGG19 网络提取的特征上进行训练的。完整输出可查看： https://github.com/PacktPublishing/Tensorflow-2.0-Computer-Vision-Cook