迁移学习标签_码道开发者社区

迁移学习

《深度学习计算机视觉全流程实战：经典模型 + 优化技巧 + 注意力机制 + ONNX 部署（附 PyTorch 完整代码）》

本文从数据处理、模型优化、经典网络到进阶技术，完整覆盖深度学习计算机视觉的核心知识点，配套的 PyTorch 代码可直接应用于实际项目。数据与训练：数据质量决定上限，过拟合需通过数据增强、Dropout 解决，可视化工具（WandB/TensorBoard）是调试关键；经典网络：从 LeNet5 的基础架构，到 ResNet 的残差创新，再到 MobileNet 的移动端优化，每一代网络都针对特定

 ！！！！
2025-09-12 16:36:49

 1120

 19

#计算机视觉 #人工智能 #神经网络 +4
动态多目标进化算法：基于迁移学习的动态多目标遗传算法（Transfer Learning based NSGA-II，Tr-NSGA-II）求解CEC2015附MATLAB代码

一、动态多目标优化问题与 CEC2015 测试集背景。

matlab科研助手
2025-09-13 23:17:53

 817

 15

#算法 #迁移学习 #matlab
【动态多目标进化算法】基于迁移学习的动态多目标遗传算法Tr-NSGA-II求解CEC2015附MATLAB代码

一、核心概念：动态多目标优化、迁移学习与 CEC2015 测试集适配性1.1 动态多目标优化（DMOP）的核心挑战跟踪帕累托前沿（PF）动态变化：环境变化后，原有的帕累托最优解可能失效，需快速定位新环境下的 PF，避免算法收敛到过时的最优区域；平衡收敛性与多样性：静态算法（如 NSGA - II）易在环境突变后陷入局部最优，而动态场景下需在 “快速收敛到新 PF” 与 “维持解的多样性以覆盖 PF

matlab科研助手
2025-09-14 23:16:17

 1285

 19

#算法 #迁移学习 #matlab
机器学习-迁移学习

1、一个特征提取器（encoder），把原始像素转换成线性可分的特征。1、在一个大规模的数据集上训练的有泛化能力的神经网络。2、一个线性分类器（decoder），做决策。其他数据集（医学、卫星图片）其他任务（目标检测）

m0_74478829
2025-09-16 12:35:08

 381

 4

#机器学习 #迁移学习 #人工智能
【动态多目标进化算法】基于迁移学习的动态多目标遗传算法（Transfer Learning based NSGA-II，Tr-NSGA-II）求解CEC2015附MATLAB代码

动态多目标优化问题（DMOPs）的核心定义与挑战动态多目标优化问题（Dynamic Multi-Objective Optimization Problems, DMOPs）是指优化过程中目标函数、约束条件或决策变量边界随时间（环境参数）动态变化的复杂优化问题，其核心目标是在环境变化后，快速追踪新的Pareto 最优前沿（POF）与Pareto 最优解集（POS），同时保证解集的收敛性（贴近真实

 Matlab科研辅导帮
2025-09-17 11:25:05

 545

 19

#算法 #迁移学习 #matlab
【动态多目标进化算法】基于迁移学习的动态多目标粒子群优化算法（TrMOPSO）求解CEC2015附MATLAB代码

动态多目标粒子群优化的技术背景与局限多目标粒子群优化（Multi-Objective Particle Swarm Optimization, MOPSO）源于传统单目标 PSO 的扩展，通过 “个体极值（pbest）- 全局极值（gbest）” 的双引导机制，在目标空间中搜索 Pareto 最优解集。其核心优势是收敛速度快、参数设置简单，在静态多目标优化中应用广泛。

Matlab科研辅导帮
2025-09-17 11:29:58

 715

 23

#算法 #迁移学习 #matlab
[软件开发]从零到一，构建高可用微服务架构的实战指南

构建高可用的微服务架构并非一蹴而就，而是一个持续演进和优化的过程。它始于对核心原则的深刻理解，成于对关键技术组件的娴熟运用，并依赖于自动化、可视化的运维实践。团队需要培养 DevOps 文化，将开发与运维紧密结合，通过不断的演练、测试和复盘，提升系统的韧性和团队的应急能力。记住，高可用性的目标不是追求100%的无故障，而是当故障不可避免地发生时，系统能够以最小的代价、最快的时间恢复服务，将对用户的

 vipduyaovip
2025-10-09 17:08:37

 295

 4

#迁移学习
深度学习篇---迁移学习

迁移学习是一种让AI模型快速适应新任务的高效方法。它就像让一个通才专家快速转行为特定领域高手：利用预训练模型（如ResNet18）已有的通用知识（底层特征提取能力），仅需少量新数据微调顶层结构即可。这种方法能大幅节省训练时间和计算资源（从多GPU数天缩短到单GPU几十分钟），特别适合小数据集场景，且通常能获得比从零训练更好的效果。整个过程类似培养专科医生——保留基础医学知识，专注特定科室训练。相比

 Ronin-Lotus
2025-10-10 08:50:43

 680

 17

#深度学习 #迁移学习 #人工智能
深度学习篇---pytorch框架下的迁移学习

本文介绍了基于PyTorch和ResNet18构建一个行为识别二分类模型（友好vs攻击）的完整流程。主要内容包括：1）数据准备与预处理，通过随机裁剪、翻转等增强训练数据；2）使用预训练ResNet18模型进行迁移学习，冻结底层参数并替换全连接层；3）定义交叉熵损失函数和Adam优化器；4）训练过程可视化与模型评估；5）保存模型权重并提供单图预测功能。该框架采用迁移学习策略，仅需少量标注数据即可实现

 Ronin-Lotus
2025-10-10 08:58:09

 489

 13

#深度学习 #pytorch #迁移学习
4、医疗物联网技术进展与机器学习决策支持系统

本文综述了医疗物联网中深度学习与机器学习决策支持系统的最新进展。重点介绍了多种迁移学习模型（如ResNet、DenseNet、VGG16、InceptionResNetV2、U-Net和SqueezeNet）的结构特点、应用场景及优势，并对比分析了各模型在层数、参数量、计算成本等方面的差异。文章还阐述了医疗物联网的系统架构，包括感知层和网关层的工作原理，探讨了机器学习与物联网结合在患者监测、疾病预

 糖果HTML
2025-09-24 15:21:41

 52

#深度学习 #迁移学习
深度学习在自动驾驶中的安全挑战

本文探讨了深度学习在自动驾驶汽车应用中的三大功能安全挑战：数据集完整性、神经网络实现的可追溯性以及迁移学习的验证问题。由于ISO 26262标准未涵盖AI特性，如何确保神经网络在量产中的安全性成为关键难题。文章从OEM视角提出问题并呼吁行业协作，以建立通用安全解决方案。

view3
2025-10-12 13:27:41

 622

 23

#深度学习 #自动驾驶 #迁移学习
大模型参数高效微调的相关资料

参考1：参考的论文：

feng3702592
2025-10-12 21:31:16

 169

 2

#迁移学习
站在灰仓旁边盯着那十几米高的筒体结构，我总忍不住掏出手机打开计算器。搞压力容器设计的都知道，常压容器这玩意儿看着简单，但真要核算起来，槽点比仓顶的检修口还多

有次验收时甲方拿着风速记录说我们系数取低了，结果调出结构基频测试数据——比计算值高了15%，虚惊一场原来是施工队混凝土基础超配了。要么用8mm板，要么在加强圈上动脑筋。后来我们搞了个损招——在仓壁不同高度贴应变片，卸料时实时监测，还真逮到过局部应力超限30%的情况。这个算法里藏了个冷知识：当加强圈间距小于计算值时，仓体刚度其实是由加强圈主导的。说到底，常压容器核算就像在豆腐上雕花，既要满足规范白纸

 hid62962581
2025-12-29 19:00:00

 581

 5

#迁移学习
ResNet34+Unet 医学图像分割实战：70张样本训练，Dice系数达80.96%

本文详细介绍了ResNet34+UNet架构在医学图像分割中的实战应用，通过迁移学习和优化策略，在仅70张标注样本的情况下实现了80.96%的Dice系数。文章涵盖了数据增强、复合损失函数设计以及渐进式训练策略等关键环节，为小样本医学图像分割提供了有效解决方案。

weixin_33735077
2026-07-04 15:40:28

 301

 10

#迁移学习
TensorFlow迁移学习实战：用InceptionV3快速搞定图像分类（附完整代码）

本文详细介绍了如何利用TensorFlow和预训练的InceptionV3模型进行迁移学习，快速构建高效的图像分类系统。通过实战案例和完整代码，展示了从数据预处理、模型构建到训练优化的全流程，特别适合中小型数据集场景。文章还对比了迁移学习与传统方法的优势，帮助开发者节省训练时间和计算资源。

weixin_30752699
2026-03-28 02:16:38

 500

 10

#迁移学习
保姆级教程：用PaddleOCR 2.1版本，从零开始微调一个英文数字识别模型（附完整代码）

本文提供了一份详细的PaddleOCR 2.1版本教程，指导用户从零开始微调一个高精度的英文数字识别模型。内容涵盖环境配置、数据准备、模型选择、训练监控到部署优化的全流程，并附完整代码，帮助开发者快速实现定制化OCR能力，提升工业质检、票据处理等场景的识别准确率。

weixin_30571465
2026-06-04 16:53:30

 395

 9

#迁移学习
ConvNeXt在遥感场景识别中表现如何？一份基于真实小数据集的详细评测与调优心得

本文深入评测了ConvNeXt在遥感场景识别中的表现，基于真实小数据集（训练集820张、验证集345张）进行详细分析。通过迁移学习和本地网页部署优化，ConvNeXt展现了卓越的图像分类能力，特别适合资源受限的学术环境。文章还分享了关键调优策略，包括数据增强、模型训练技巧和部署优化，最终实现验证集准确率89.7%的优异表现。

weixin_30316097
2026-03-24 12:02:27

 416

 9

#迁移学习
从ImageNet到你的摄像头：拆解YOLO预训练模型迁移学习的‘黑箱’过程

本文深入解析了YOLO预训练模型在迁移学习中的关键过程，从ImageNet的基础特征提取到工业检测任务的具体应用。通过分层微调策略、梯度优化分析和实战案例，揭示了如何高效利用预训练模型提升目标检测性能，特别适合计算机视觉开发者优化YOLO模型迁移实践。

weixin_30872337
2026-03-26 03:29:13

 372

 7

#迁移学习 #计算机视觉
告别比特焦虑：用Transformer和迁移学习，手把手教你搭建一个能‘听懂人话’的通信原型

本文详细介绍了如何利用Transformer和迁移学习技术构建语义通信系统，解决传统通信中的比特焦虑问题。通过PyTorch和HuggingFace工具包，手把手教你实现一个能理解句子核心含义的通信原型，涵盖环境配置、架构设计、训练策略及性能优化等关键步骤，特别适合6G时代自动驾驶、远程医疗等新兴应用场景。

weixin_30374009
2026-03-26 03:06:55

 420

 5

#迁移学习 #深度学习
别从头训练了！用ResNet迁移学习，5分钟为你的LFW人脸分类任务搭建基线模型

本文介绍了如何利用ResNet迁移学习技术，在5分钟内快速搭建LFW人脸分类基线模型。通过特征提取模式、ResNet架构选型、高效数据预处理和分类头定制化设计，显著提升训练效率和模型性能，适用于快速原型验证和实际应用部署。

weixin_30952535
2026-03-27 03:11:26

 307

 8

#迁移学习
告别比特焦虑：用Transformer和迁移学习，手把手教你搭建一个能‘听懂人话’的通信原型（附代码）

本文详细介绍了如何利用Transformer和迁移学习技术构建语义通信系统，解决传统通信在语义理解上的不足。通过实战案例和代码示例，展示了系统在医疗报告传输等场景中的高效表现，包括语义压缩、抗噪声能力和低延迟部署。

weixin_30839881
2026-03-27 03:59:35

 406

 4

#迁移学习 #深度学习
实战指南：如何用迁移学习破解黑盒模型（附Python代码示例）

本文详细介绍了如何利用迁移学习技术破解黑盒模型，提供完整的Python代码示例和实战指南。通过分析黑盒攻击的本质和迁移攻击的优势，文章展示了代理模型选择、对抗样本生成和目标模型特征空间映射等核心组件，帮助开发者在AI安全领域实现高效攻击与防御。

weixin_30836759
2026-03-27 04:16:53

 448

 7

#迁移学习
用VGG19迁移学习打造花卉分类器：从数据集处理到98%准确率实战

本文详细介绍了如何使用VGG19迁移学习技术构建花卉图像分类器，从数据集flower_photos的处理到模型优化，最终实现98%的高准确率。通过数据增强、模型微调等关键策略，为开发者提供了完整的实战指南，特别适合计算机视觉初学者和希望快速验证模型效果的实践者。

weixin_30892037
2026-03-28 03:39:46

 456

 7

#迁移学习
TensorFlow迁移学习实战：用InceptionV3快速搞定图像分类（附完整代码）

本文详细介绍了如何使用TensorFlow和InceptionV3进行迁移学习，快速实现图像分类任务。通过加载预训练模型、构建自定义分类层、数据增强和分阶段训练等技巧，即使在小样本数据集上也能获得优异性能。文章包含完整代码实现，涵盖模型训练、微调、评估到部署的全流程，是掌握深度学习迁移学习实践的实用指南。

weixin_30399821
2026-03-30 02:13:32

 456

 6

#迁移学习
从ResNet到BERT：手把手教你用PyTorch实现Linear Probing，解锁模型迁移学习新姿势

本文详细介绍了如何使用PyTorch实现Linear Probing技术，从ResNet到BERT，解锁模型迁移学习的新姿势。通过冻结预训练模型参数并仅训练线性分类层，Linear Probing能高效评估特征表示质量，适用于CV和NLP领域。文章提供了完整的代码示例和实践建议，帮助开发者快速掌握这一技术。

weixin_30335575
2026-03-30 03:42:00

 440

 11

#迁移学习 #深度学习
PyTorch迁移学习实战：3种预训练权重加载方法对比（附代码）

本文详细对比了PyTorch迁移学习中三种预训练权重加载方法：直接加载法、选择性加载和动态架构加载，并提供了实用代码示例。通过分析不同策略在训练时间、初始准确率和最终准确率上的表现，帮助开发者根据项目需求选择最佳方案。特别探讨了权重冻结技术及其在工程实践中的应用，包括全冻结策略、分层解冻技术和动态权重冻结方法。

weixin_30776273
2026-04-01 03:39:44

 381

 9

#迁移学习
当ResNet50遇上FaceNet：在小数据集上做迁移学习，哪个才是人脸识别的‘正确答案’？

本文深入对比了ResNet50和FaceNet在小样本人脸识别任务中的表现差异，揭示了FaceNet在专用人脸预训练上的压倒性优势。通过实验验证，FaceNet在小数据集上表现更优，准确率可达96%，同时计算效率更高。文章还提供了详细的迁移学习实战指南，包括数据增强、模型微调和特征提取等关键技术。

weixin_33670786
2026-04-04 02:14:14

 526

 15

#人脸识别 #迁移学习 #深度学习
从ImageNet到你的数据集：手把手教你用timm库迁移学习（完整权重加载流程）

本文详细介绍了如何使用timm库进行迁移学习，从ImageNet预训练模型到自定义数据集的完整权重加载流程。通过实战指南，帮助开发者选择合适的预训练模型、正确加载权重并进行定制化调整，提升计算机视觉任务的开发效率。重点讲解了timm库的核心优势、权重加载策略及常见问题解决方案。

weixin_33734785
2026-04-04 02:25:23

 327

 3

#迁移学习 #计算机视觉
别再死磕C-MAPSS数据集了：用迁移学习搞定工业设备RUL预测的实战指南

本文探讨了如何利用迁移学习技术将C-MAPSS数据集中的模型应用于工业设备剩余寿命预测（RUL），解决数据稀缺和领域差异等挑战。通过特征层级迁移、对抗训练等策略，显著提升预测准确率并缩短开发周期，适用于风电、数控机床等工业场景。

weixin_30460489
2026-04-19 03:24:34

 319

 4

#迁移学习
别再死记硬背BERT和ELMo了！用这篇图解+代码，5分钟搞懂NLP迁移学习的前世今生

本文通过图解和代码示例，详细解析了NLP迁移学习从Word2Vec到BERT的演进历程。重点介绍了BERT和ELMo的核心创新与优势，帮助读者快速理解上下文词向量和Transformer架构的革命性突破，并提供了HuggingFace实战示例，助力开发者高效应用这些先进技术。

weixin_30781107
2026-04-20 05:18:17

 158

 2

#迁移学习
从ImageNet到你的小数据集：SimCLR自监督预训练实战迁移指南

本文详细介绍了如何将SimCLR自监督预训练框架迁移到小数据集场景，特别是在医学影像、工业质检等专业领域。通过领域适配的数据增强策略、计算资源优化、网络架构瘦身以及下游任务迁移技巧，显著提升模型性能。深度学习实践者可通过本文指南，有效解决小数据集训练难题，实现高效迁移学习。

weixin_30352645
2026-04-21 03:34:06

 454

 2

#深度学习 #迁移学习
迁移学习：AI模型复用的核心技术与实践

迁移学习作为深度学习的重要分支，通过复用预训练模型的知识来提升新任务的学习效率。其核心原理基于神经网络的特征可迁移性，前几层学到的通用特征（如边缘、纹理）可跨任务共享。技术实现主要分为特征迁移、模型迁移和关系迁移三种范式，在计算机视觉和自然语言处理领域有广泛应用。工程实践中，合理使用ResNet、BERT等预训练模型，配合分层微调和领域自适应技术，能在医疗影像分析、工业质检等场景显著提升模型性能。

weixin_30621959
2026-07-24 11:21:30

 478

 7

#迁移学习
Keras迁移学习实战：计算机视觉模型优化指南

迁移学习是深度学习中的关键技术，通过复用预训练模型的知识大幅提升新任务的学习效率。其核心原理是利用神经网络底层提取的通用特征（如边缘、纹理等），仅需微调高层网络即可适应特定任务。在计算机视觉领域，结合Keras框架的Applications模块，开发者可以便捷地调用VGG、ResNet等经典模型。特别是在数据量有限或计算资源不足的场景下，迁移学习能显著降低训练成本，同时保持模型性能。本文以图像分类

 weixin_30319153
2026-04-24 14:18:02

 344

 12

#迁移学习 #计算机视觉
别再只调BERT了！手把手教你用Hugging Face玩转ELMo、GPT等经典预训练模型

本文通过Hugging Face实战解析ELMo、GPT和BERT等经典预训练模型的技术特点与应用场景。从环境配置到模型对比选型，再到迁移学习技巧与模型压缩方案，全面展示如何高效利用这些NLP基石模型。特别适合希望超越BERT调优、深入理解预训练模型本质的开发者。

weixin_33739646
2026-04-25 03:40:01

 164

 2

#迁移学习
迁移学习核心技术解析与实践指南

迁移学习作为机器学习的重要分支，通过复用预训练模型的特征提取能力，显著提升小样本场景下的模型性能。其核心原理在于深度神经网络底层学到的通用特征（如边缘检测、纹理识别）具有跨任务迁移性。工程实践中，特征提取器冻结技术和分层学习率策略是关键实现手段，前者保留源模型的通用特征提取能力，后者实现不同网络层的差异化调整。在计算机视觉和自然语言处理领域，基于ImageNet/BERT的迁移方案已成为行业标配，

黄小二哥
2026-04-25 15:49:10

 627

 13

#迁移学习
迁移学习在计算机视觉中的实战技巧与应用

迁移学习作为深度学习的重要技术，通过复用预训练模型的特征提取能力，显著降低了计算机视觉任务对数据和计算资源的需求。其核心原理在于神经网络特征的层次性——底层神经元检测通用特征（如边缘、纹理），这些特征在不同视觉任务中具有可迁移性。技术价值体现在数据效率提升、训练成本降低和模型性能起点高三大优势，广泛应用于医疗影像分析、工业质检等领域。实战中需要根据任务特点选择特征提取或微调策略，并注意数据预处理、

weixin_30516243
2026-04-25 12:53:06

 490

 12

#迁移学习 #计算机视觉
通用智能的核心特征与实现路径解析

通用智能（AGI）作为人工智能领域的终极目标，其核心在于实现跨领域的问题解决能力。与传统AI不同，通用智能系统需要具备迁移学习、抽象推理和环境适应三大关键能力。迁移学习使AI能够将已有知识应用于新领域，元学习和神经符号系统是当前主要研究方向；抽象推理能力则通过归纳、演绎等逻辑方式实现复杂决策，这需要结合神经网络与符号系统的优势；环境适应能力要求系统在动态场景中实时调整策略，强化学习提供了部分解决方

 weixin_33716941
2026-04-26 10:23:05

 367

 6

#迁移学习
迁移学习：高效AI模型训练的核心技术与实践

迁移学习作为深度学习领域的重要技术，通过复用预训练模型的知识，显著提升了AI开发的效率。其核心原理是将在大规模数据集上学到的通用特征迁移到特定任务中，只需少量数据即可实现高性能。这种方法不仅大幅降低了数据需求和计算成本，还能有效防止小数据场景下的过拟合问题。在计算机视觉、自然语言处理等领域，迁移学习已成为模型开发的标配技术，特别适合医疗影像分析、工业质检等数据稀缺场景。通过特征提取、微调等策略，开

 weixin_30500105
2026-04-27 14:47:49

 467

 3

#迁移学习 #深度学习