Transfer Learning
Transfer Learning es una técnica de aprendizaje automático que permite reutilizar el conocimiento adquirido en una tarea para aplicarlo a una nueva tarea relacionada. Por ejemplo, un modelo preentrenado como VGG16, entrenado inicialmente con la base de datos ImageNet, ya ha aprendido características generales útiles que pueden aplicarse en otros proyectos, ahorrando así tiempo y recursos computacionales.
Existen dos formas principales de utilizar un modelo preentrenado en Transfer Learning:
-
Feature Extraction: se aprovechan las capas entrenadas del modelo como extractor de características sin modificar sus pesos.
-
Fine-Tuning: se ajustan algunas capas del modelo preentrenado para adaptarlo mejor a la nueva tarea.
Transfer Learning con Feature extration
En este enfoque de Transfer Learning con Feature Extraction, se utiliza un modelo preentrenado congelando sus capas convolucionales para evitar que se modifiquen los pesos durante el entrenamiento. Se elimina la capa clasificadora original y se añade una nueva capa de clasificación personalizada al final del modelo. Finalmente, se entrena únicamente esta nueva capa con los datos específicos del problema, aprovechando las características previamente aprendidas.
Fine-Tuning
En este enfoque de Transfer Learning con Fine-Tuning, se utiliza un modelo preentrenado manteniendo congeladas algunas capas convolucionales para preservar sus pesos, mientras que otras se descongelan para permitir su ajuste durante el entrenamiento. Se elimina la capa clasificadora original y se incorpora una nueva capa de clasificación adaptada al problema específico. Finalmente, se entrena esta nueva capa junto con las capas descongeladas utilizando los nuevos datos del modelo. Mientras que Feature Extraction es más rápido y económico, el Fine-Tuning proporciona un mayor rendimiento a costa de requerir más datos y tiempo de entrenamiento.
