迁移学习

星期天要睡觉

深度学习——基于ResNet18迁移学习的图像分类模型在深度学习视觉任务中，卷积神经网络（CNN）已经成为图像分类、检测与识别的核心工具。然而，从零开始训练一个CNN模型往往需要数十万甚至上百万的标注样本，训练成本高昂。因此，迁移学习（Transfer Learning）成为一种极为实用的策略。

NLP：迁移学习基础讲解核心思想：迁移学习是一种机器学习技术，其核心在于将一个领域（称为“源领域”）中学习到的知识（例如模型参数、特征表示），应用于另一个相关但不同的领域（称为“目标领域”），以提升目标领域任务的学习效率和性能。

NLP：迁移学习关于领域自适应的基础讲解前言：分享领域自适应思想。定义：领域自适应是一种旨在解决数据分布不匹配问题的迁移学习技术。其目标是利用一个源领域（通常有大量标注数据）的知识，来提升一个在目标领域（数据分布不同，且通常标注数据很少或没有）上的模型性能。

爱吃奶酪的松鼠丶

图像分类模型传统训练VS迁移学习训练相同的数据集，训练结果对比。传统的只有70%左右，迁移学习方式有95%的准确率。传统训练方式：训练模型：

食品分类的代码复习（无半监督部分，无迁移学习部分）

从零复现论文：深度学习域适应1从零复现一篇域适应的论文，本人小白，如有错误欢迎指出。Chen Z, Pu B, Zhao L, et al. Divide and augment: Supervised domain adaptation via sample-wise feature fusion[J]. Information Fusion, 2025, 115: 102757.（中科院SCI一区）

机器学习vs人类学习：人类学习如何借鉴机器学习方法？人类学习的过程其实就是了解对象(概念)，以及建立对象之间的关系的，这也是逻辑学导论中所讲的逻辑的基本组成。而机器学习也是从海量的数据中学习特征，如自然语言处理，文本处理也都是处理一个个的符号，以及符号之间联系的过程，和人类学习有相似的过程，人类学习也可以从机器学习的原理中总结出一些方法论，提升学习效率。当然人类大脑学习过程要复杂的多，这里提炼的是高效的学习方法。

YOLOv11改进大全：从卷积层到检测头，全方位提升目标检测性能## 1 引言YOLO（You Only Look Once）系列作为目标检测领域的重要算法，以其**高效推理**和**良好精度**赢得了广泛认可。2024年9月，Ultralytics团队正式发布了YOLOv11，在先前版本基础上引入了**多项架构改进**和**训练优化**，实现了更高的精度和效率。本文将深入探讨YOLOv11的各种改进策略，涵盖卷积层、轻量化设计、注意力机制、损失函数、Backbone、SPPF模块、Neck层和检测头等全方位改进方案。

九章云极AladdinEdu

Kubernetes设备插件开发实战：实现GPU拓扑感知调度在现代AI训练和科学计算场景中，GPU集群的性能发挥不仅取决于单个GPU的计算能力，更取决于GPU间的通信效率和拓扑结构。传统的Kubernetes调度器无法感知GPU之间的NVLink连接、InfiniBand网络拓扑和NUMA架构，导致计算任务可能被调度到通信效率低下的GPU组合上，从而显著影响分布式训练性能。

小王爱学人工智能

快速了解迁移学习如果你刚接触机器学习，可能会遇到两个头疼的问题：要么手里的数据太少，训练不出靠谱的模型；要么模型太复杂，跑一次要等好几天。其实，早就有一个 “偷懒技巧” 能解决这些麻烦 —— 那就是迁移学习。

深度学习从入门到精通 - 迁移学习实战：用预训练模型解决小样本难题各位，是不是经常遇到这样的困境：手头只有一个可怜巴巴的小数据集，几百张图片，甚至几十条文本记录，却梦想着搭建一个能打的深度学习模型？看着那些在ImageNet上横扫千军的巨型模型，再看看自己那点寒酸的标注数据，是不是觉得希望渺茫？别急，这就是迁移学习（Transfer Learning）大显身手的时候了！今天这篇长文，咱们就扎扎实实地聊透：如何利用别人训练好的、强大的预训练模型，来解决你的小样本学习难题。我会带你们从理论到代码，从选择模型到调优技巧，把整个流程掰开了揉碎了讲清楚，更重要的是——分享那些我

深度学习：残差网络ResNet与迁移学习在 ResNet 出现之前，研究者们发现，当 CNN 的层数堆叠到一定程度（如超过 20 层），模型会出现两个难以解决的问题，直接限制了深层网络的应用。

残差网络迁移学习对食物分类案例的改进目录一.直接修改最后一层1.导入模型2.冻结模型所有参数3.修改最后一层4.获取需要更新的参数5.创建模型

迁移学习实战：基于 ResNet18 的食物分类迁移学习是一种高效的机器学习方法，它利用在大规模数据集上预训练好的模型，在新的任务上进行微调。这样做的优势十分显著：

小关会打代码

深度学习之第八课迁移学习（残差网络ResNet）目录简介一、迁移学习1.什么是迁移学习2. 迁移学习的步骤二、残差网络ResNet1.了解ResNet

小王爱学人工智能

迁移学习的案例这段代码是基于 PyTorch 实现的迁移学习（特征提取法）实战案例，核心是用预训练的 ResNet18 模型解决 20 类食物分类任务。下面我们来逐部分解析代码：

Energy期刊论文学习——基于集成学习模型的多源域迁移学习方法用于小样本实车数据锂离子电池SOC估计Hi，大家好，我是半亩花海。现对领域内一篇SCI一区TOP期刊论文进行阅读，文献记录如下。本文提出一种基于集成学习的多源域迁移学习方法，用于解决小样本实车数据下锂电池SOC估计难题。研究构建包含锂三元、磷酸铁锂电池和实车数据的多源域集，针对不同源域设计差异化预训练模型（BiLSTM适配实验室数据，CNN-LSTM适配实车数据），并创新性地采用LSBoost动态权重融合策略。实验表明，该方法在目标域SOC估计中取得显著效果（MAE=0.187%，RMSE=0.245%），有效克服了传统单源迁移的负迁移问题。

了解迁移学习吗？大模型中是怎么运用迁移学习的？

基于Ultralytics YOLO通用目标检测训练体系与PyTorch EfficientNet的图像分类体系实现第一部分聚焦于目标检测任务，基于先进的Ultralytics YOLO框架，构建了一套高度自动化和工程化的训练体系。该体系始于demo.py脚本，通过对原始图像与标签文件进行智能匹配与随机划分，解决了数据不一致问题，并通过设置随机种子确保了实验的可复现性。划分后的数据集通过标准化的data.yaml文件进行管理，清晰定义了训练、验证和测试集的路径以及类别信息。在train.py中，采用YOLOv11架构从零开始训练，通过精细配置SGD优化器、学习率预热、早停机制、混合精度训练（AMP）和多种数据增强策略（

AI算法工程师Moxi

什么是迁移学习（transfer learning）迁移学习是一种机器学习方法，其中从一个任务中使用的模型获得的知识的应用可以重复用作另一任务的基础点。机器学习算法使用历史数据作为输入来进行预测并产生新的输出值。它们通常设计用于执行孤立的任务。源任务是知识从其转移到目标任务的任务。目标任务是指由于从源任务转移知识而导致学习得到改善。