У вас есть предварительно обученная гибридная модель, состоящая из CNN, за которой следует 3-слойная RNN, обученная классифицировать другой набор объектов. Какие действия следует предпринять, чтобы адаптировать ее к новой, но связанной задаче классификации с наименьшими усилиями? (Выберите два варианта.)

Для адаптации предварительно обученной модели к новой, но связанной задаче классификации с наименьшими усилиями, применяется тонкая настройка (fine-tuning). 1. Повторно инициализировать веса последнего слоя RNN, а затем переобучить всю модель для новой задачи прогнозирования. Это эффективный подход. RNN отвечает за обработку последовательностей и извлечение высокоуровневых признаков. Инициализация последнего слоя RNN и последующее обучение всей модели позволяет адаптировать выходной слой к новым классам, сохраняя при этом извлеченные ранее признаки из CNN и предыдущих слоев RNN. 2. Повторно инициализировать веса последнего полносвязного слоя CNN, затем переобучить CNN на новых классах объектов. Это также верный подход, если новая задача классификации требует изменения только выходного слоя CNN, который обычно является полносвязным. Переобучение только этой части CNN позволяет быстро адаптировать модель к новым классам, используя уже извлеченные признаки из предыдущих слоев CNN. Остальные варианты менее эффективны: Переинициализация всех весов CNN или всей сети приведет к потере всех ранее изученных признаков, что равносильно обучению с нуля и требует гораздо больше усилий и данных. Переинициализация всех весов в RNN, а затем переобучение всей модели, также приведет к потере значительной части изученных признаков и сделает процесс менее эффективным.