您有一個預先訓練好的混合模型，由一個 CNN 和一個 3 層 RNN 組成，該模型經過訓練，用於分類一組不同的物件。為了以最少的工作量將其調整到一個新的但相關的分類任務，您應該採取哪些行動？（選擇兩項）

對於遷移學習，最有效的方法是利用預訓練模型的特徵提取能力。選項「重新初始化 CNN 最後一個全連接層的權重，然後根據新的物件類別重新訓練 CNN」是正確的，因為 CNN 的卷積層學習通用視覺特徵，而全連接層負責最終分類。重新初始化並重新訓練最後一層，可以讓模型適應新的分類任務，同時保留大部分預訓練的特徵提取能力。選項「重新初始化 RNN 最後一層的權重，然後根據新的預測任務重新訓練整個模型」也是正確的，因為 RNN 的底層學習序列模式，而最後一層則用於最終預測。重新訓練最後一層能讓模型適應新任務，同時保留對序列數據的理解。 其他選項效率較低：重新初始化整個 CNN 或整個網路會丟失所有預訓練知識，需要從頭開始訓練，這與遷移學習的目的相悖。重新初始化 RNN 中的所有權重會丟失其序列學習能力，導致訓練成本高且效果不佳。