为什么那么多农商行而不合并成一家农商总行

农商行的前身就是农村信用社,50年代就成立了 。一般每个乡镇设置一个,下面的行政村设立分社,股东(社员)基本上都是当地村民,隶属于农行管理 。
90年代改革,农信社与农行脱钩,独立出来 。在县区ji成立了联社,有的更进一步成立了市ji联社 。虽然很多省也成立了省ji联社,但大多是管理机构,并不直接经营 。
再到后来,农信社进一步改组成农村商业银行 。
目前全国农商行只要有以下模式:
1、省ji农商行
包括重庆、上海与北京 。
虽然说是省ji农商行,其实是直辖市 。如果真要把一个省的农商行整合成统一的法人,难度太大 。
2、市ji农商行
包括副省ji市与地ji市,这两者的整合过程基本一致,这里面又分两种模式 。
一是广州模式,将市属所有联社整合成一家 。90年代脱钩后,广州一共成立了10家联社 。当时广州一共8区4市,除了越秀、东山和荔湾因为已经很早就全部城市化没设信用社,其他每个区市都有一家;另外白云区的三元里由于实力太强,独立自成一体 。后来成立的市联社将上述十家一网打尽 。
二是南京模式,吸纳市属部分联社成立了紫金银行 。因为当时成立的时候,高淳、溧水还是县,独立性很大,因此没有整合过来 。
3、县(区市)ji农商行
这是大部分农商行的现状,只整合到县一ji 。其中顺德农商行实力超群,规模超过了绝大多数的地ji市农商行!
一般银行采取的是自上而下的模式,先有总行,再有分支行 。而农商行与城商行是自下而上的模式,先有信用社再有联社,然后市行 。而原来各个独立的信用社股东(社员)构成千差万别,整合起来难度很大 。
由于城商行由于历史短,整合难度要比农商行小一些,现在就有几家货真价实的省ji城商行,例如江苏银行!
迁移学习是如何解决图像分类问题的迁移学习(Transfer Learning)预期将成为图像分类领域机器学习商业成就的下一驱动力 。对深度网络的再利用正影响着学界和业界的走向 。本文介绍了迁移学习的基本概念,以及使用迁移学习的策略 。本文使用 PyTorch 代码在多个数据集中进行了实验 。

为什么那么多农商行而不合并成一家农商总行

文章插图
GitHub 地址:://github.com/miguelgfierro/sciblog_support/blob/master/A_Gentle_Introduction_to_Transfer_Learning/Intro_Transfer_Learning.ipynb
为什么那么多农商行而不合并成一家农商总行

文章插图
关键词:迁移学习;微调;图像分类;深度学习
为什么使用迁移学习?
根据 Coursera 联合创始人、斯坦福副教授吴恩达介绍,迁移学习(Transfer Learning)将会成为机器学习商业成就的下一驱动力 。
迁移学习是一种机器学习技术,允许在特定的数据集上再利用已训练的卷积神经网络(CNN),并将其调整或迁移到其他数据集 。之所以要复用已经训练的 CNN,是因为训练时间太长 。例如,在 4 个英伟达 K80 GPU 中将 ResNet18 训练 30 个 epoch 需要 3 天的时间;而在同样的 GPU 上将 ResNet152 训练 120 个 epoch 需要 4 个月 。
迁移学习策略
总体而言,迁移学习有两种策略,不过我还没有看到关于命名的最终一致意见 。微调(finetuning)——其中包括使用基础数据集上的预训练网络以及在目标数据集中训练所有层;冻结与训练(freeze and train)——其中包括冻结除最后一层的所有层(权重不更新)并训练最后一层 。也可以冻结前面几层,然后微调其余层,这是由于一些证据表明 CNN 的前几层包含纹理过滤器(texture filter)和色彩斑点(color blob) 。但是,我们这里的工作只分析两种极端情况:训练所有层,以及只训练最后一层 。


特别声明:本站内容均来自网友提供或互联网,仅供参考,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。