Mxnet (32): 微调（Fine-Tuning）用于热狗识别

众所周知，在进行机器学习模型训练时即数据量越大其准确率也会越高但越难以过拟合而泛化能力反而更强。
另一些模型由于训练数据不足在实际应用中面对的数据范围又非常广导致最终模型的准确度可能无法满足实际需求。
为了解决上述问题一个有效的方法就是获取更多的数据但由于获取数据是一个较为昂贵且耗时的过程另一种解决途径是采用迁移学习。
另一种解决途径就是通过迁移学习将源域的数据知识迁移到目标域从而提升目标任务的表现。
其中一种常见的迁移学习技术是Fine-Tuning；

1. 基于源数据集对源模型进行训练。
2. 构建一个新的称为目标的系统架构和参数配置，在该架构下复制所有来自源系统的结构与权重设置。
3. 在构建完成后，在该系统中附加一层用于处理目标任务的数据。
4. 通过利用收集到的目标样本，在新的体系框架内完成进一步优化工作，并特别关注并微调输出层参数以适应新任务需求。

Fine-Tuning实战：热狗识别

借助热狗识别技术来理解Fine-Tuning的应用。此处采用从ImageNet训练而来并经过微调优化的ResNet模型进行参数优化工作。该热狗数据集共收录了近千张图片，并包含了若干含有热狗的照片。经由微调优化后得到的模型能够判断图片中是否存在热狗。

Gluon中的model_zoo软件包包含了一系列通用的预训练模型。如果您需要探索更多计算机视觉领域的预 trained m