再无需从头训练迁移学习模型！亚马逊开源迁移学习数据库 Xfer

雷锋网 AI 科技评论按：所谓的「迁移学习」，是指重新利用已训练的机器学习模型来应对新任务的技术。它给深度学习领域带来了许多好处，最明显的是，一旦无需从头开始训练模型，我们可以省下大量的计算、数据以及专业知识等资源。近期由亚马逊开源的 Xfer 数据库，可以让我们轻松应用及打造迁移学习原型，雷锋网 AI 科技评论将亚马逊算法工程师 Andreas Damianou 关于此库的介绍博文节译如下。

NvuIZbB.png!web

Xfer 是一款针对 MXNet 的迁移学习，为适那些希望达到以下目的的从业者与研究人员而设计：

将已训练的神经网络在新场景/任务中进行部署
基于现有网络架构打造新的神经网络原型方案。

换句话说，只要给定机器学习任务，Xfer 就能通过神经网络找到最佳解决方案，而无需你再从头开始进行训练。该库可以应用于任意的数据与网络，包括那些最常见的图像和文本数据。

使用 Xfer 的好处

节省资源：无需从头开始训练网络，从而节省大量的人力与 CPU / GPU 资源）。
提升处理能力：即使标签很少，我们也能对复杂的数据进行分类。
降低使用门槛：无需成为机器学习专家，就能轻松利用和修改现有的神经网络体系结构，创建出自己的解决方案。
便于从神经网络中提取特征。
提升原型设计速度：Xfer 的 ModelHandler 模块将能允许我们轻松修改神经网络的架构。
不确定性建模（Uncertainty modeling）：通过贝叶斯神经网络（BNN）或高斯过程（GP），我们得以把控模型预测的不确定性。

演示 1:基于元模型的迁移学习

只要确定好目标任务的源模型（MXNet）和数据迭代器，你只需输入 3 行代码即可实现迁移学习：

rqeEbmV.jpg!web

下面的动图直观演示使用重新调整方法执行元模型迁移学习的操作：

基于元模型的转移学习

在该例子中，ModelHandler 用于获取已在源任务上预先进行训练的神经网络参数 W。在保持 W 原来参数的基础上，我们通过源任务中的预训练神经网络传递目标输入数据。过程中我们将获得描述目标数据以及源任务信息的表示，因为它们是由从中获取的参数 W 生成的。最后，我们调用 Repurposer 模块将上述特征当作元模型分类器的输入。在给出的代码中，元模型以「Lr」进行指代，代表的是 Logistic Regression.。

需要注意的是，如果使用的元模型基于高斯过程或贝叶斯神经网络（两者均构建在 Xfer 中），则可以在对目标任务的预测中进行不确定性预估。这也意味着，该方法可以「习得过去它们所不懂的东西」。这一点很重要，它可以借此应对标记数据过少的情况。

演示 2:基于微调的迁移学习

该方法允许用户事先细化预训练神经网络架构，比如通过 ModelHandler 模块添加或移除层，接着通过基于梯度的优化器微调用于目标任务的神经网络。通过使用 ModelHandler，我们可以尝试使用自定义的微调再利用方法来进行实验。例如，从预训练神经网络中选择要传输/冻结的图层。关于 ModelHandler 传输功能的代码展示如下：

3YfiqyQ.jpg!web

上述代码的动图演示如下：

基于微调的转移学习

与上个任务很类似，ModelHandler 用于获取在源任务上预训练的神经网络参数 W，该源模型可以是预先训练好的 VGGNet。通过 ModelHandler，我们可以对源任务神经网络的架构进行调整；在这个示例中，我们在架构底部添加了一个新层（带有新进的初始化参数）。接下来基于微调的再利用方法对新架构进行训练，以使其适应目标任务的数据。Xfer 允许我们通过定义原始参数（上图中显示为蓝色）以及新参数（上图中显示为橙色）来实现基于微调的再利用方法。由于原始参数已包含源任务的信息，因此不应和学习值有太大出入，而新参数已经被随机初始化，因此应该以更高的学习率进行优化。

从今天开始使用 Xfer 吧

Github 开源网址：

https://github.com/amzn/xfer

Xfer 信息文档：

https://xfer.readthedocs.io/en/master/

图像数据的转移学习教程：

https://xfer.readthedocs.io/en/master/demos/xfer-overview.html

基于自动超参数调整的迁移学习教程：

https://xfer.readthedocs.io/en/master/demos/xfer-hpo.html

针对文本数据的迁移学习：

https://xfer.readthedocs.io/en/master/demos/xfer-text-transfer.html

创建自定义 repurposer 教程：