Featurization转移学习
本文提供了一个示例做featurization转移学习使用熊猫udf。
Featurization DL的转移学习模型
砖支持featurization深度学习模型。Pre-trained深度学习模型可以用来计算用于其他下游模型的特性。支持大规模featurization砖,在集群分布计算。您可以执行featurization与深度学习库包含在砖运行时毫升,包括TensorFlow和PyTorch。
砖还支持转移学习,一种featurization密切相关的技术。学习可以重用知识转移中的一个问题领域相关的领域。Featurization本身就是一个简单而强大的方法转移学习:计算功能使用pre-trained深学习模式转移知识从原始域特性好。
转移学习步骤计算功能
本文演示了如何计算功能转移学习使用pre-trained TensorFlow模型,使用以下流程:
开始pre-trained深度学习模型,在这种情况下一个图像分类模型
tensorflow.keras.applications。截断的最后一层(s)模型。修改后的模型产生一个张量作为输出的特性,而不是一个预测。
该模型应用于一个新的图像数据集从一个不同的问题域,计算图像的特征。
使用这些功能来训练新模式。以下笔记本省略了这最后一步。等训练的例子,一个简单的模型逻辑回归,明白了模型训练的例子。
示例:使用熊猫featurization udf
下面的笔记本使用熊猫udf执行featurization一步。熊猫udf,他们的新变种标量迭代器熊猫udf,提供灵活的api,支持任何深度学习库,提供高性能。