论文笔记：How transferable are features in deep neural networks?
https://blog.csdn.net/weixin_37904412/article/details/80984405
典型的神经网络：第一层通用，最后一层具体
对于神经网络中层的表示，有以下问题：
- 我们可以量化模型的某一层的特征到底是通用的还是具体的吗？
- 转换是在某一层上突然发生，还是在几层上展开？
- 这种转换发生在网络的什么地方：网络顶端，网络中间，还是网络底端？
如果网络中的特征是通用的，我们能够将它们用于迁移学习。
通常，迁移学习的方法是首先训练基础网络，然后将其前n层的参数复制到目标网络的前n层中。然后，目标网络中剩余的层进行随机初始化，并针对目标任务进行训练。这里有两种选择：
a）在目标任务中对目标网络所有的参数进行微调；
b）将迁移过来的参数固定，在训练期间不发生更改，仅仅对随机初始化的参数进行训练。
是否需要微调目标网络前n层的参数取决于目标数据集的大小和前n层中的参数数量。如果目标数据集很小且参数数量很大，那么微调可能会导致过拟合，因此前n层的这些参数通常会被固定；如果目标数据集很大或参数数量很少，那么过拟合不是问题，可以微调网络的所有参数到新任务上，以提高性能。当然，如果目标数据集非常大，则几乎不需要迁移学习，因为可以在目标数据集上从头开始学习低层次的特征。
论文将比较两种技术：
对所有参数（包括前n层的参数）进行微调
固定前n层的参数不变
论文的工作：
- 定义了一种方法来衡量某一层是通用的或具体的程度，即该层的特征从一个任务迁移到另一个任务的程度
- 当使用迁移的特征，而没有进行微调时会导致网络性能下降。这一现象有两个原因：（i）特征本身的特异性；（ii）在相邻层上的神经元之间存在共适应性，从基础网络中将它们分离会导致难以优化。
- 当基本任务和目标任务的差异很大时，发现迁移的特征会降低网络的性能
- 在相对较大的ImageNet数据集中，对低层的网络权重进行随机初始化 VS 迁移低层网络的权重 后者的表现更好
- 用迁移的特征初始化网络，可以在微调后的新数据集上提高泛化性能。即使经过大量微调，基数据集的效果仍然存在
Gabor filter：Gabor函数是一个用于边缘提取的线性滤波器
https://www.cnblogs.com/arxive/p/4990754.html
color blobs：色斑
论文的结论是通过实验来得到的，实验是通过固定前n层网络来判断第n层是通用还是特有。