移动端机器学习实战

第8章　使用迁移学习完成食物分类

在本章中，我们将使用迁移学习（transfer learning）对食物进行分类。为此，我们为重点关注的印度食品建立了自己的基于TensorFlow的机器学习模型。目前的识别模型有几百万个参数。从头开始训练一个新模型需要大量的时间和数据，同时还需要数百个图形处理单元（Graphical Processing Unit，GPU）或者张量处理单元（Tensor Processing Unit，TPU）运行数小时。

迁移学习使用已经训练好的现有模型，并在新模型上重用它，从而简化了这项任务。在这里的例子中，我们将使用MobileNet模型的特征提取功能，并在此基础上训练自己的分类器。即使不能得到100%的准确率，在很多情况下分类准确率也较高，尤其是在手机上（在手机上不会有大量的资源）。即使没有GPU，也可以在一台普通的笔记本电脑上轻松地训练这个模型几小时。这个模型使用MacBook Pro来构建，它具有2.6GHz的Intel i5处理器和8GB的内存。

本章将介绍以下内容：

• 迁移学习的基本知识；
• 训练自己的TensorFlow模型的方法；
• 创建使用这个模型的iOS应用程序的方法。

　

本章的源代码可以在GitHub网站中找到。

8.1　迁移学习

迁移学习是深度学习中最流行的方法之一，在这种方法中，把针对一个任务开发的模型重用到另一个任务的模型中。在这里，如果仅有非常有限的计算资源和时间，那么基于计算机视觉的任务或基于自然语言处理（Natural Language ...