如果你想使用现在最火的ChatGPT来训练属于你的专属ChatGPT模型，那你千万不能错过这篇文章。迁移学习是机器学习领域中的一种重要方法，它通过利用先前的学习经验来提高当前任务的性能。本文通过3个经典的模型：InceptionV3-RestNet50-VGG16作为示例，为大家从0开始搭建了医疗影像行业迁移学习网络，并获取到了较好的准确度与结果一致性。而掌握好迁移学习的基础知识和应用，你就能通过**模型微调（也称迁移学习）**，调用ChatGPT接口加上你的训练集去训练你的模型了。

论文简介该论文提出深度神经网络的深度对于大规模图像识别模型的表现有显著提升。模型使用3*3的小型卷积过滤器和较小的卷积层步幅，并且其神经网络层数达到了16-19层。基于这些发现在ImageNet-2014比赛中取得了第一名和第二名。并且该模型在其他类型的图像数据集上也具有泛化性，具有良好的迁移能力。神经网络设置神经网络的输入是224×224像素尺寸的RGB图片，并且对图片进行了预处理，减去平均RGB值。模型中使用了非常小的感受野，尺寸为3×3，这种设置刚好能捕获一个像素周围的其他像素值。并且卷积层的步幅为1，这意味这每个像素都会被进行特征提取。经过这种卷积处理后，输入的空间分辨率依旧保持不变。

论文简介该论文提出深度神经网络的深度对于大规模图像识别模型的表现有显著提升。模型使用3*3的小型卷积过滤器和较小的卷积层步幅，并且其神经网络层数达到了16-19层。基于这些发现在ImageNet-2014比赛中取得了第一名和第二名。并且该模型在其他类型的图像数据集上也具有泛化性，具有良好的迁移能力。神经网络设置神经网络的输入是224×224像素尺寸的RGB图片，并且对图片进行了预处理，减去平均RGB值。模型中使用了非常小的感受野，尺寸为3×3，这种设置刚好能捕获一个像素周围的其他像素值。并且卷积层的步幅为1，这意味这每个像素都会被进行特征提取。经过这种卷积处理后，输入的空间分辨率依旧保持不变。