Кичме у машинском учењу: разумевање основа модела дубоког учења

У контексту машинског учења, кичма је унапред обучена неуронска мрежа која служи као основа за изградњу сложенијих модела. Окосница је типично конволуциона неуронска мрежа (ЦНН) или рекурентна неуронска мрежа (РНН), и обучена је на великом скупу података да научи опште карактеристике које се могу користити као почетна тачка за друге моделе.ӕӕИдеја која стоји иза коришћења кичме је да се искористи знање и способности које је претходно обучени модел већ научио, а не да се обучава нови модел од нуле. Ово може да уштеди време и рачунарске ресурсе, а такође може да доведе до бољих перформанси јер је окосница већ научила да препознаје одређене карактеристике и обрасце у подацима.ӕӕНеки уобичајени примери окосница које се користе у дубоком учењу укључују:ӕӕ* РесНет (Ресидуал Нетворк): Тип ЦНН-а који се обично користи као окосница за задатке класификације слика.ӕ* ВГГ (Група за визуелну геометрију): Други тип ЦНН-а који се често користи као окосница за задатке класификације слика.ӕ* Почетне мреже: Тип ЦНН-а који је дизајниран да ухвати карактеристике вишеструких размера и често се користи као окосница за задатке компјутерског вида.ӕ* ЛСТМ (Лонг Схорт-Терм Мемори): Тип РНН који се обично користи као окосница за секвенцијалне податке, као што је говор или текст.ӕӕКада је кичма обучена, може се фино подесити за одређени задатак додавањем додатних слојева на врх окоснице или подешавањем тежине и предрасуда постојећих слојева. Овај процес омогућава моделу да се прилагоди новом задатку док и даље користи знање и способности које је кичма научила.