
IA et informatique
Transférer l'apprentissage
- Composition:
- pré-entraînement puis mise au point
- Format:
- 16:9
Prompt
Créez un schéma de [apprentissage par transfert], lu de gauche à droite, sur deux panneaux lumineux. Dessinez chaque relation exactement comme indiqué et rien de plus :
1. 【Panneau de gauche : un grand ensemble de données source (une grande icône de base de données) → un modèle pré-entraîné (un réseau dessiné en bleu).】
2. 【Une flèche épaisse transporte les couches pré-entraînées du panneau de gauche vers le panneau de droite.】
3. 【Panneau de droite : un petit ensemble de données cible (une petite icône de base de données) → le même réseau, ses premières couches en bleu marquées gelées avec un petit cadenas, et sa dernière couche en orange → tâche cible (une coche).】
Il n'y a pas de barres en T sur cette figure. N'écrivez pas les phrases numérotées sur la figure. Écrivez chaque étiquette une seule fois dans toute la figure.
Libellés (utilisez chacun une seule fois, sans ajouter d’autre texte) : 【Source dataset, Pretrained model, Target dataset, Frozen layers, Fine-tuned layer, Target task】.
Style : diagramme schématique de style journal. Nettoyer les graphiques vectoriels plats sur fond blanc. Les modules sont des rectangles arrondis ou de simples icônes avec leurs noms courts à l'intérieur ; les panneaux pastel clair regroupent les calques associés. Seulement 3-4 couleurs atténuées, chacune avec une signification fixe. Des flèches fines et uniformes montrent le flux de données, d'énergie, de matière ou d'influence ; flèches en pointillés pour les liens indirects ou de rétroaction. Étiquettes anglaises sans empattement uniquement, chaque étiquette apparaît exactement une fois, orthographiée exactement comme indiqué. Pas de rendu 3D, pas d'ombres, pas de lueur, pas de décoration cyberpunk ou tech, pas de photoréalisme.
Ouvre Yila avec ce prompt et l’exemple comme image de référence.
Les exemples ont été générés avec Nano Banana. Le prompt fonctionne aussi avec GPT Image et d’autres modèles d’image ; les résultats varient selon le modèle.






