L'aprenentatge per transferència és una tècnica poderosa en el camp de l'aprenentatge automàtic que permet utilitzar un model preentrenat en una tasca similar per millorar el rendiment i reduir el temps d'entrenament en una nova tasca. En aquest tema, aprendrem com utilitzar models preentrenats amb TensorFlow per aplicar l'aprenentatge per transferència.

1. Què és l'aprenentatge per transferència?
2. Avantatges de l'aprenentatge per transferència
3. Com utilitzar models preentrenats amb TensorFlow
4. Exemple pràctic: Classificació d'imatges amb un model preentrenat
5. Exercicis pràctics

L'aprenentatge per transferència implica prendre un model que ha estat entrenat en una gran quantitat de dades en una tasca específica i reutilitzar-lo com a punt de partida per a una nova tasca. Això és especialment útil quan no es disposa d'una gran quantitat de dades per entrenar un model des de zero.

• Reducció del temps d'entrenament: Els models preentrenats ja han après característiques útils, per la qual cosa necessiten menys temps per adaptar-se a la nova tasca.
• Millor rendiment: Els models preentrenats solen oferir un millor rendiment, especialment quan es disposa de poques dades.
• Menor necessitat de dades: Es pot aconseguir un bon rendiment amb menys dades d'entrenament.

TensorFlow ofereix una àmplia gamma de models preentrenats a través de la seva biblioteca tf.keras.applications. Aquests models es poden carregar fàcilment i adaptar-se a noves tasques.

1. Carregar el model preentrenat:

   import tensorflow as tf
   from tensorflow.keras.applications import VGG16
   
   # Carregar el model VGG16 preentrenat sense la capa de classificació final
   base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
   

2. Congelar les capes del model preentrenat:

   for layer in base_model.layers:
       layer.trainable = False
   

3. Afegir capes personalitzades per a la nova tasca:

   from tensorflow.keras import layers, models
   
   model = models.Sequential([
       base_model,
       layers.Flatten(),
       layers.Dense(256, activation='relu'),
       layers.Dropout(0.5),
       layers.Dense(10, activation='softmax')  # Suposant que tenim 10 classes
   ])
   

4. Compilar el model:

   model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
   

5. Entrenar el model:

   # Suposant que tenim dades d'entrenament i validació
   model.fit(train_data, train_labels, epochs=10, validation_data=(val_data, val_labels))
   

En aquest exemple, utilitzarem el model preentrenat VGG16 per classificar imatges de gats i gossos. Utilitzarem un conjunt de dades reduït per demostrar com l'aprenentatge per transferència pot ajudar a obtenir bons resultats amb menys dades.

1. Carrega un model preentrenat diferent de tf.keras.applications (per exemple, ResNet50).
2. Congela les capes del model preentrenat.
3. Afegir capes personalitzades per a una nova tasca de classificació.
4. Compila i entrena el model amb un conjunt de dades de la teva elecció.

1. Descongela algunes de les capes superiors del model preentrenat.
2. Reentrena el model amb un conjunt de dades de la teva elecció.
3. Compara els resultats amb els obtinguts quan totes les capes estaven congelades.

Solució a l'Exercici 1

Solució a l'Exercici 2

L'aprenentatge per transferència és una tècnica molt útil per millorar el rendiment dels models d'aprenentatge automàtic, especialment quan es disposa de poques dades. En aquest tema, hem après com utilitzar models preentrenats amb TensorFlow i hem vist un exemple pràctic de classificació d'imatges. Els exercicis pràctics proporcionats t'ajudaran a consolidar els coneixements adquirits i a experimentar amb diferents models i configuracions.