Farklı bir nesne kümesini sınıflandırmak için eğitilmiş, bir CNN ve ardından 3 katmanlı bir RNN'den oluşan önceden eğitilmiş hibrit bir modeliniz var. Bunu, en az çabayla yeni ama ilgili bir sınıflandırma görevine uyarlamak için hangi eylemleri yapmalısınız? (İki tane seçin.)

Bu senaryoda, önceden eğitilmiş hibrit bir modelin yeni ama ilgili bir sınıflandırma görevine uyarlanması, transfer öğrenimi (transfer learning) prensiplerini uygulamayı gerektirir. Transfer öğreniminde, modelin öğrenilmiş özellik çıkarıcı katmanları genellikle korunur ve yalnızca göreve özel çıkış katmanları yeniden eğitilir. CNN'in son tam bağlantılı katmanının ağırlıklarını yeniden başlatmak ve ardından CNN'i yeni nesne sınıfları üzerinde yeniden eğitmek, CNN'in alt katmanlarının genel görsel özellikleri çıkarmayı öğrenmiş olmasından faydalanır. Sadece çıkış katmanını ve belki birkaç üst katmanı yeniden eğitmek, modelin yeni göreve hızlıca adapte olmasını sağlar. Benzer şekilde, RNN'in son katmanının ağırlıklarını yeniden başlatmak ve ardından tüm modeli yeni tahmin görevi üzerinde yeniden eğitmek, RNN'in sıralı verilerden öğrenilmiş özelliklerini korurken, çıkış katmanının yeni görevin spesifik çıktılarını tahmin etmesini sağlar. Bu, modelin genel mimarisini ve önceden öğrenilmiş yeteneklerini korurken, yeni göreve özgü adaptasyonu en aza indirir. Diğer seçenekler, modelin çok fazla kısmını sıfırlayarak önceden öğrenilmiş bilgiyi kaybetmeye neden olur veya gereksiz yere tüm ağı yeniden eğitmeyi önerir, bu da daha fazla hesaplama maliyeti ve veri gerektirir.