討論 | 健行科技大學eclass易課平台

d11333009

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 2 樓

D11433019

Teachable Machine 主要使用的是一款名為 MobileNet 的卷積神經網路 (CNN)。
通常訓練一個強大的影像辨識模型需要成千上萬張圖片和幾天的時間，Teachable Machine 快速成名的秘密在於「遷移學習」(Transfer Learning)。

03-23 3 樓

D11433017

Teachable Machine 的影像識別主要使用的是 MobileNet。傳統上，訓練一個能辨識萬物的 CNN 可能需要數萬張圖片和幾天的運算時間。Teachable Machine 這麼快的原因在於使用了遷移學習（Transfer Learning）技術。

03-23 4 樓

D11333022

Teachable Machine 本身並沒有公開「固定使用某一款特定 CNN 架構」，但實務上它的影像模型是基於預先訓練好的輕量級卷積神經網路（CNN），常見是像 MobileNet 這一類模型，再透過遷移學習（Transfer Learning）來快速完成訓練。

03-23 5 樓

D11333017

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 6 樓

D11333001

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 7 樓

D11333019

Teachable Machine 的影像識別主要使用的是 MobileNet。傳統上，訓練一個能辨識萬物的 CNN 可能需要數萬張圖片和幾天的運算時間。Teachable Machine 這麼快的原因在於使用了遷移學習（Transfer Learning）技術。
5 分鐘前

03-23 8 樓

D11333031

Teachable Machine 是使用 MobileNet 架構，能快速訓練是因為採用了「遷移學習 (Transfer Learning)」技術。
它直接套用 Google 預訓練好的模型特徵（如線條、形狀），你只需訓練最後一層的「分類標籤」，加上 MobileNet 本身專為網頁設計的輕量化特性，因此幾分鐘內就能完成。

03-23 9 樓

d11433010

Teachable Machine 是 Google 推出的無程式碼機器學習工具，其影像辨識功能主要基於遷移學習技術，並非從零訓練一個全新的CNN

03-23 10 樓

D11213018

Teachable Machine 背後其實不是用「從零開始訓練一個CNN」，而是用一種叫做遷移學習（Transfer Learning）的方法，搭配已經訓練好的 CNN 模型。這是一種輕量化適合在瀏覽器跑，已經在大規模資料集（如 ImageNet）訓練過的 CNN，為什麼幾分鐘就能訓練好？關鍵原因是：你其實沒有在訓練整個CNN，CNN前半段已經學好了，你只是在訓練「最後一層分類器

03-23 11 樓

D11333014

eachable Machine 背後其實不是用「從零開始訓練一個CNN」，而是用一種叫做遷移學習（Transfer Learning）的方法，搭配已經訓練好的 CNN 模型。這是一種輕量化適合在瀏覽器跑，已經在大規模資料集（如 ImageNet）訓練過的 CNN，為什麼幾分鐘就能訓練好？關鍵原因是：你其實沒有在訓練整個CNN，CNN前半段已經學好了，你只是在訓練「最後一層分類器

03-23 12 樓

D11333020

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 13 樓

D11333032

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 14 樓

d11336529

Teachable Machine 主要使用的是一款名為 MobileNet 的卷積神經網路（CNN）架構。這款模型專為行動裝置和瀏覽器設計，具有體積小、運算速度快的特點。
Medium
Medium
之所以只需要訓練幾分鐘就能使用，核心原因在於它採用了遷移學習 (Transfer Learning) 技術

03-23 15 樓

D11333012

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 16 樓

D11333029

Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。

03-23 17 樓

D11333034

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-23 18 樓

D11433020

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調

03-23 19 樓

D11333202

Teachable Machine 的圖片模型本質上是用預先訓練好的 CNN（常見教學與官方重建範例是 MobileNet 當特徵提取器）再做 transfer learning，所以它不用從零開始學，只要用你少量樣本微調最後分類部分，幾分鐘就能跑起來。

03-24 20 樓

D11433005

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調。

03-30 21 樓

D11433003

Teachable Machine 使用的是 Keras 模型（底層為 MobileNet 架構），之所以只要訓練幾分鐘就能用，是因為它採用了遷移學習技術，只針對預訓練模型的最後一層進行分類微調

04-20 22 樓

D11333035

Teachable Machine 本身並沒有公開「固定使用某一款特定 CNN 架構」，但實務上它的影像模型是基於預先訓練好的輕量級卷積神經網路（CNN），常見是像 MobileNet 這一類模型，再透過遷移學習（Transfer Learning）來快速完成訓練。

04-27 23 樓