微调（Fine-tuning）

微调（Fine-tuning）是指将已在大规模数据上完成预训练的机器学习或深度学习模型，针对特定任务或数据集进行再训练和精细调整的方法。 作为迁移学习的一种，它在充分利用基础模型通用知识的同时，能够高效提升模型在新目标任务上的性能。 具体而言，它以预训练模型的权重为初始值，在新数据上进行追加训练，从而即使在数据量较少的情况下也能实现较高的精度。 因此，相较于从零开始训练模型，微调既缩短了训练时间，又节省了计算资源。 微调的优势： - 即使数据量少，也能构建高性能模型 - 有效利用现有强大基础模型的知识 - 可针对特定领域和用途进行定制化 典型应用案例包括：将图像识别模型应用于医学影像诊断，或将自然语言处理模型用于企业专属文档分类等。 微调是AI实用化过程中支撑高精度、高效率模型开发的重要技术。