8️⃣ 轉移學習

🎯 什麼是轉移學習？

轉移學習（Transfer Learning）是一種 利用預訓練模型 來加速新模型訓練的技術，適用於 影像分類、物件偵測、NLP 等應用。

✅ 轉移學習的優勢：

1. 減少訓練時間：直接使用已訓練好的權重。
2. 適用於小型數據集：不需要大量標註數據。
3. 提高模型準確率：使用大型數據集訓練的特徵。

---

✅ 使用預訓練模型（VGG16）

我們可以使用 Keras 內建的 VGG16 模型進行影像分類。

from tensorflow import keras
from tensorflow.keras.applications import VGG16

# 載入 VGG16 預訓練模型（去除頂部全連接層）
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 凍結預訓練層
for layer in base_model.layers:
    layer.trainable = False

✅ 這樣可以保留 VGG16 學到的特徵，避免過度訓練。

---

✅ 加入自訂分類層

我們可以在 VGG16 頂部加入自訂的全連接層。

from tensorflow.keras import layers, models

# 建立新模型
model = models.Sequential([
    base_model,
    layers.Flatten(),
    layers.Dense(256, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

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

✅ 這樣可以讓模型適應新的數據集，進行分類任務。

---

✅ 訓練轉移學習模型

我們可以使用 ImageDataGenerator 來處理影像數據並訓練模型。

from tensorflow.keras.preprocessing.image import ImageDataGenerator

# 設定數據增強
train_datagen = ImageDataGenerator(rescale=1./255, rotation_range=30, horizontal_flip=True)
train_generator = train_datagen.flow_from_directory(
    'dataset/train', target_size=(224, 224), batch_size=32, class_mode='categorical')

# 訓練模型
model.fit(train_generator, epochs=10)

✅ 這樣可以讓模型學習新數據的特徵，提高分類準確率。

---

📝 總結

功能	語法
載入 VGG16 預訓練模型	VGG16(weights='imagenet', include_top=False)
凍結預訓練層	layer.trainable = False
添加自訂分類層	model.add(Dense(256, activation='relu'))
使用數據增強	ImageDataGenerator(rotation_range=30, horizontal_flip=True)

🚀 現在你已經學會如何使用 Keras 進行轉移學習！接下來，我們將學習 Keras 在強化學習（Reinforcement Learning）中的應用！ 😊