欢迎转载，作者：Ling，注明出处：深度学习：原理简明教程18-深度学习:CNN其他问题

本文将探讨CNN剩下的其他几个问题：

1）迁移学习：Transfer learning

• Feature Extraction
• Fine-tunning

2）多任务学习：multi-task learning

3）1 D 和 3D convolution

迁移学习：Transfer learning

定义：将A训练集训练的模型，应用于B集合

为什么可以通用？

因为CNN除了最后的全连接分类层，前面的conv和pooling主要作用是提取特征，在Computer Vision这个领域，往往可以复用提取特征部分（包括其参数），只需要重新训练分类层。

为什么要这么做？

因为复杂的CNN网络，训练需要样本较多，且训练时间比较长，所以复用可以节省时间。

分类：两种做法

Feature Extraction:

保留所有CONV和Pooling层，只训练最后的分类层，甚至修改最后分类层的结构。注意要frozen非分类层的参数。

Fine-tunning：

除了最后的分类层，同时可以对最后1-n层 conv层进行参数学习，即共用前几层conv。因为前几层的是识别edge等信息更通用，后面组合结果可以微调。

什么时候会用迁移学习？

1）任务A和任务B有一样的输入

2）任务A的数据远多于任务B的数据

3）A的低层特征对学习任务B有帮助

多任务学习：multi-task learning

定义：

多个任务一起学习。

原因：

由于图像识别特征提取部分网络很可能可以复用，所以可以共享特征提取部分，多个分类层一起学习。

实例：

同时对图中两个对象进行分类。Stop指示牌和汽车。

做法：

和softmax不同，一个y有多个1，softmax只有一个1

注意:loss函数，对每个分量都用一个逻辑回归的loss函数

什么时候应用多任务学习：

1）低层特征可以被多个任务共享

2）多个任务数据很类似

3）能够训练一个足够大的网络适用于所有任务

1 D 和 3D convolution：

之前我们主要处理的都是2D的图像：

1D实例：心电图（以后再讲RNN也可以用1D conv替代RNN）

3D实例：医学图

实际上1D，2D，3D就是处理的对象维度和filter维度不同，思想都一样