你的浏览器禁用了JavaScript, 请开启后刷新浏览器获得更好的体验!
输入关键字进行搜索
搜索:
没有找到相关结果
xinmiao
赞同来自: a354003021 、李扬 、ruirui_ICT
cjwdeq
赞同来自:
要回复问题请先登录或注册
虽然脑子不是特别聪明,但是勤奋好学
2 个回复
xinmiao
赞同来自: a354003021 、李扬 、ruirui_ICT
可以。这是一种常见的做法,也就是说把神经网络当成一种特征提取器,然后把得到的特征输入到一个分类器中做分类。loss只调分类层,而不调特征提取层(根据题主的意思理解)。输入是几维都无所谓,顶多加一个Flattening层就OK了。
然后再说这样做好不好:
不好。深度神经网络强调end-to-end,也就是要整体优化整个模型。在小数据上fine-tuning时,我们常常想方设法让梯度传的更深,从而可以不仅调整分类器也可以调整各个特征提取的层。原因很简单,我们之所以用深度神经网络提取特征是为了发现最适合任务的特征描述。fine-tuning可以让一些无偏的特征稍微偏向于你的任务类型。因此我的建议:不要割裂特征提取层与分类层的关系,如有可能,全局优化。
以上。
cjwdeq
赞同来自: