Vous disposez d'un modèle hybride pré-entraîné composé d'un CNN suivi d'un RNN à 3 couches, entraîné pour classer un ensemble d'objets différent. Pour l'adapter à une nouvelle tâche de classification, mais liée, avec le moins d'effort, quelles actions devriez-vous entreprendre ? (Choisissez-en deux.)

Pour adapter un modèle pré-entraîné à une nouvelle tâche connexe avec un minimum d'effort, la stratégie la plus efficace est le transfert d'apprentissage. Réinitialiser les poids de la dernière couche entièrement connectée du CNN, puis ré-entraîner le CNN sur les nouvelles classes d'objets est correct car les couches antérieures d'un CNN apprennent des caractéristiques génériques (bordures, textures) qui sont souvent transférables. Seule la dernière couche, spécifique à la tâche d'origine, doit être adaptée à la nouvelle tâche. Réinitialiser les poids de la dernière couche du RNN, puis ré-entraîner l'intégralité du modèle sur la nouvelle tâche de prédiction est également correct. Similaire au CNN, les couches profondes du RNN ont appris des représentations séquentielles utiles. La dernière couche du RNN est la plus spécifique à la tâche initiale et doit être réinitialisée et ré-entraînée pour la nouvelle tâche. Réinitialiser tous les poids du CNN ou de l'ensemble du réseau, puis ré-entraîner, annulerait les bénéfices du pré-entraînement, nécessitant un entraînement long et beaucoup de données. Réinitialiser tous les poids du RNN, puis ré-entraîner l'intégralité du modèle est moins efficace que de cibler uniquement la dernière couche, car les couches antérieures du RNN peuvent conserver des informations utiles.