Sie haben ein vortrainiertes hybrides Modell, das aus einem CNN gefolgt von einem 3-Schichten-RNN besteht und darauf trainiert wurde, einen anderen Satz von Objekten zu klassifizieren. Welche Maßnahmen sollten Sie ergreifen, um es mit dem geringsten Aufwand an eine neue, aber verwandte Klassifizierungsaufgabe anzupassen? (Wählen Sie zwei.)

Die korrekten Optionen beschreiben Transfer Learning, eine effiziente Methode zur Anpassung vortrainierter Modelle an neue, verwandte Aufgaben. Die Neuanpassung der letzten vollständig verbundenen Schicht des CNN (Option D) ist sinnvoll, da das CNN Merkmale extrahiert, die für die neue Aufgabe relevant sein könnten. Durch das Retraining dieser Schicht kann das CNN lernen, diese Merkmale für die neuen Objektklassen zu klassifizieren, ohne die bereits gelernten Feature-Extraktoren zu beeinträchtigen. Ähnlich verhält es sich mit der Neuanpassung der letzten Schicht des RNN (Option E). Das RNN verarbeitet die Sequenzdaten, die vom CNN ausgegeben werden. Durch das Retraining der letzten RNN-Schicht kann das Modell die zeitlichen Abhängigkeiten für die neue Vorhersageaufgabe anpassen, während die tieferen Schichten des RNN und das CNN ihre gelernten Repräsentationen beibehalten. Die Initialisierung aller Gewichte im CNN (Option A) oder im gesamten Netzwerk (Option B) würde den Vorteil des Vortrainings zunichtemachen und erfordert einen wesentlich höheren Trainingsaufwand. Die Initialisierung aller Gewichte im RNN (Option C) würde ebenfalls einen Großteil des gelernten Wissens im RNN verlieren und wäre weniger effizient als die gezielte Anpassung der letzten Schicht.