इमेज को अलग-अलग ग्रुप में बांटने के लिए, किसी कॉन्वोलेशनल न्यूरल नेटवर्क को ट्रेनिंग देने की ज़रूरत होती है. आम तौर पर, इसमें बहुत ज़्यादा संख्या में ट्रेनिंग डेटा की ज़रूरत होती है. इसमें समय लग सकता है और इसमें कुछ दिन या हफ़्ते भी लग सकते हैं. अगर आप
TensorFlow-Slim जैसे बड़े डेटासेट की ट्रेनिंग वाले मौजूदा इमेज मॉडल का इस्तेमाल करें और उन्हें अपने कैटगरी के टास्क में इस्तेमाल करने के लिए ऑप्टिमाइज़ करें, तो क्या होगा?
प्री-ट्रेन किए गए मॉडल का इस्तेमाल करने के लिए, सुविधा निकालने की एक आम तकनीक है:
प्रशिक्षित मॉडल से बनाए गए इंटरमीडिएट वर्शन को वापस पाना और फिर इन प्रतिनिधित्वों को इनपुट के रूप में एक नए मॉडल में फ़ीड करना. इससे पता चलता है कि पहले से प्रशिक्षित मॉडल की मदद से सुविधा निकालने के लिए परफ़ॉर्मेंस बढ़ाने के लिए, इंजीनियर अक्सर एक्सट्रैक्ट की गई सुविधाओं पर लागू किए गए वज़न के पैरामीटर को ठीक-ठीक करते हैं.
सुविधा वाले एक्सट्रैक्शन की मदद से, बारीक जानकारी पाने और फ़ाइन ट्यूनिंग की बारीकियों के बारे में जानें.
[null,null,["आखिरी बार 2022-09-27 (UTC) को अपडेट किया गया."],[[["Pretrained image models can be leveraged to perform image classification tasks, saving time and resources compared to training a new model from scratch."],["Feature extraction involves using the intermediate representations from a pretrained model as input for a new model, enabling the utilization of learned features like color, texture, and shape."],["Fine-tuning the weight parameters of extracted features can further enhance the performance of the new classification model built on top of the pretrained model."]]],[]]
