AI模型训练的初步整理
明天会有人来给我们讲AI方面的课，我也一直想整理一下这方面的知识，今天也趁着这个机会做一下功课，算是预习。
首先，AI的模型训练可以分为：
增量学习（Incremental Learning）
增量学习允许模型在新数据到来时进行更新，而不需要重新训练整个模型。这种方法适用于那些需要持续适应新数据的场景。然而，并不是所有的机器学习模型都支持增量学习。一些模型，如支持向量机（SVM）和决策树，可以通过特定的策略实现增量更新，但其他模型，尤其是深度学习模型，通常较难直接进行增量更新。
在线学习（Online Learning）
在线学习是一种特殊的增量学习方法，它允许模型在接收新数据时实时更新。在线学习算法能够处理数据流，并在每个时间步根据新接收的数据调整模型参数。这种方法适用于数据持续生成且需要实时响应的应用。
模型微调（Fine-tuning）
在深度学习中，模型微调是一种常用的技术，它涉及在预训练模型的基础上使用新数据进行训练。通常，你会冻结预训练模型的大部分层，并只更新顶层或特定层的权重。这种方法允许模型保留在大量数据上学到的通用特征，同时学习新数据集中的特定特征。
重训练（Retraining）
如果模型不支持增量学习或在线学习，你可能需要使用新数据和原始数据重新训练整个模型。这通常是最直接的方法，但也可能非常耗时，尤其是在数据集很大或模型很复杂的情况下。
迁移学习（Transfer Learning）
迁移学习类似于模型微调，但更侧重于将从一个任务学到的知识迁移到另一个相关任务上。这通常涉及使用在大规模数据集上预训练的模型，并在特定任务的小数据集上进行微调。
AI模型训练大致包含一下几步：
数据的收集
这一块不用说，肯定是要用到网络爬虫技术。
数据的清洗与整理
Pandas用于数据的清洗与整理，下面是一个以新闻为例的整理好的数据样本。
| 新闻ID | 分类标签 | 预处理后的新闻内容 |
|---|---|---|
| 1 | 体育 | 足球世界杯决赛将在本周末举行，两支强队将争夺冠军。 |
| 2 | 政治 | 国家领导人会见了来访的外国元首，双方就贸易问题进行了深入讨论。 |
| 3 | 娱乐 | 著名歌手发布了新专辑，其中的主打歌曲已经在各大音乐平台上线。 |
特征提取
特征向量是机器学习可以理解和使用的数值。
下面是一个简单的特征向量的例子：
新闻1特征向量: [1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
不同的模型训练，对向量数据的格式要求不同。
模型训练
常用的库就是PyTorch
评估和优化
相关的知识点包括：
- 准确率
- 召回率
- F1分数
- 混淆矩阵
回到我之前博客中提到的笔记系统，我打算使用增量学习的模型，构建自己的知识库。当笔记数据更新时，会有队列任务去提取笔记数据，对笔记数据进行清洗，然后提取特征，生成向量数据，然后再进行模型训练…哈哈，梦醒了。
欢迎大家留言区交流。还望路过的大佬多多指教。
2024.2.23
重庆.渝北