Masz wstępnie wytrenowany model hybrydowy składający się z sieci CNN, po której następuje 3-warstwowa sieć RNN, wytrenowany do klasyfikowania różnych zestawów obiektów. Aby dostosować go do nowego, ale powiązanego zadania klasyfikacji przy najmniejszym wysiłku, jakie działania należy podjąć? (Wybierz dwie odpowiedzi.)

W przypadku transferu uczenia, aby dostosować model do nowego, ale powiązanego zadania, zazwyczaj modyfikuje się i ponownie trenuje tylko ostatnie warstwy. Ponowne zainicjowanie wag ostatniej w pełni połączonej warstwy sieci CNN i ponowne wytrenowanie sieci CNN na nowych klasach obiektów (lub ponowne zainicjowanie wag ostatniej warstwy sieci RNN i ponowne wytrenowanie całego modelu) pozwala na adaptację do nowych danych przy zachowaniu cech wyuczonych przez wcześniejsze warstwy. Ponowne inicjowanie wszystkich wag w całej sieci lub w całej sieci CNN jest nieefektywne i wymagałoby znacznie większego wysiłku i danych, tracąc korzyści z wstępnego trenowania.