一. 了解迁移学习
迁移学习（Transfer Learning）目标是将从一个环境中学到的知识用来帮助新环境中的学习任务。
> The ability of a system to recognize and apply knowledge and skills learned in previous tasks to novel tasks。
入门推荐一篇公认的比较好的 【Survey】： A Survey on Transfer Learning，Sinno JialinPan, Qiang Yang，IEEE Trans
另外，戴文渊的硕士学位论文也可以看一下：基于实例和特征的迁移学习算法研究
Survey 作者归纳了 Transfer Learning 相关的知识域，有必要了解一下这些名词：
● Learning学习 - learning to learn
● 终身学习 - life-long learning
● 知识转移 - knowledge transfer
● 归纳迁移 - inductive transfer
● 多任务学习 - multi-task learning
● 知识的巩固 - knowledge consolidation
● 上下文相关学习 - context sensitive learning
● 基于知识的归纳偏差 - knowledge-based inductive bias
● 元学习 - meta learning
● 增量学习 - and incremental/cumulative learning
另外，进展及 Open Source Toolkit 可以参考：http://www.cse.ust.hk/TL/index.html
二. 迁移学习分类
迁移学习（Transfer Learning）根据 领域 和 任务的相似性，可以这样划分：
我们根据 源Domain和目前Domain 之间的关系，源Task 和 目标Task之间的关系，以及任务方法更详细的整理为下表：
源Domain &
目标Domain
源Task &
目标Task
源Data & 目标Data
任务方法
传统机器学习
相同
相同
有标签 | 有标签
迁移学习
归纳式迁移学习
相同/相关
相关
多任务学习 - 有标签 | 有标签
自我学习 - 无标签 | 有标签
分类回归
直推式迁移学习
相关
相同
有标签 | 无标签
分类回归
无监督迁移学习
相关
相关
无标签 | 无标签
聚类降维
实际上，归纳式迁移学习 是应用最广泛的一种方法，从这点上看，迁移学习更适合 有标签的应用域。
根据技术方法，我们将迁移学习的方法划分为：
说明
归纳式
直推式
无监督
基于样本
的迁移学习
通过调整 源Domain的标签（辅助） 和 目标Domain标签的权重，协同训练得到目标模型。
典型方法：TrAdaBoost
√
√
基于特征
的迁移学习
找到 “好”特征 来减少源Domain和目标Domain之间的不同，能够降低分类、回归误差。
典型方法：Self-taught learning，multi-task structure learning
√
√
√
基于参数
的迁移学习
发现源Domain和目标Domain之间的共享参数或先验关系。
典型方法：Learning to learn，Regularized multi-task learning
√
基于相关性
的迁移学习
建立源Domain和目标Domain之间的相关知识映射。
典型方法：Mapping 方法
√
迁移学习方法虽然在学术有很多研究工作，实际上在应用领域并不算成熟，这本身就是一个很大的命题，关于迁移学习的条件 和 本质也并未形成一套正统的体系来引领研究方向，更多的也是在实验摸索。
迁移学习 目前面临如下几个问题：
1. 哪种情况适合做迁移学习？ - What
这里先给个自己的理解：
分类和回归问题是比较适合做迁移学习的场景，有标签的源数据是最好的辅助。
2. 该选择哪种方法？ - Which
简单而行之有效的方法是首选，领域在快速发展，也不必拘泥算法本身，改善结果才是硬道理。
3. 如何避免负迁移？ - How
迁移学习的目标是改善目标域的 Task效果，这里面 负迁移（Negative Transfer）是很多研究者面临的一个问题，如何得到行之有效的改进，避免负迁移是需要大家去评估和权衡的。
三. 经典算法 TrAdaBoost
TrAdaBoost 算法是基于 样本迁移的 开山之作，由 戴文渊 提出，有着足够的影响力放在第一位来进行讲解。
论文下载：Boosting for Transfer Learning
算法的基本思想是 从源 Domain 数据中 筛选有效数据，过滤掉与目标 Domain 不match的数据，通过 Boosting方法建立一种权重调整机制，增加有效数据权重，降低无效数据权重，下图是 TrAdaBoost 算法的示意图（截图来自于 庄福振 - 迁移学习研究进展）：
TrAdaBoost 算法比较简单，用一句话概括就是 从过期数据里面 找出和目标数据最接近的样本数据。
来看 TrAdaBoost 的算法步骤：
这里需要说明的一点就是 权重的更新方式，对于辅助样本来讲，预测值和标签越接近，权重越大；而对于目标数据则是相反，预测值和标签差异越大，权重越大。这种策略狠容易理解，我们想找到辅助样本中 和 目标数据分布最接近的样本，同时放大目标样本Loss的影响，那么理想的结果就是：
目标样本预测值与标签尽量匹配（不放过一个没匹配好的数据），辅助样本在前面的基础上筛选出最 match（权重大的） 的部分。
作者在后面给出了理论证明，这里有两个公式（来证明算法收敛）：
因篇幅问题，这里就不再展开了（和作者说的一样），有兴趣可以参考原Paper，看下实验结果：
实验发现，当 同分布数据（目标数据）占比当低于0.1时，算法效果明显，当比例超过 0.1时，TrBoost 退化为 SVM 的效果。
这又是一个显而易见的结论，我们认为大于0.1时，仅仅依靠 目前数据就足够完成样本训练，这种情况下，辅助样本的贡献可以忽略。
另外，当 目标数据 和 辅助数据 差别比较大时，该方法是不 Work的，印证了最初的假设，这里不再展开证明。
最后，给出网友提供的C代码：【下载地址】
四. 多任务学习
多任务学习（Multi-Task Learning, MTL）是一种同时学习多个任务的机器学习方法，该方法由来已久，和深度学习没什么关系。
如果非要把它 和深度学习加上一个 link，我们可以这样来表示：
input1 -> Hidden1-> H1-> Out1 input1 -> Out1
input2 -> Hidden2-> H2-> Out2 ==> input2 -> Hidden123 -> H123 -> Out2
input3 -> Hidden3-> H3-> Out3 input3 -> Out3
也比较好理解，相当于把多个 Task网络进行合并，同时训练多个任务，这种情况并不鲜见，比如以下2个方向：
1）目标检测 － 复合多任务
目标检测是 分类问题＋回归问题的组合，这是一个典型的 Multi-Task，比如:
Detection＝Classification＋Location
Mask RCNN = Classification＋Location＋Segmentation
检测问题前面描述的比较多了，这里就不再贴图了。
2）特征提取
多任务特征提取，多个输出，这一类问题代表就是 数据结构化，特征识别。
下图是港中文 汤晓鸥组发表的TCDCN（Facial Landmark Detection by Deep Multi-task Learning），很多讲 Multi－Task的软文都拿出来说，我们也借用一下。
在这里 Multi-Task 被同时用作 人脸关键点定位、姿态估计和属性预测（比如性别、年龄、人种、微笑？戴眼镜？）
多任务学习适用于这样的情况：
1）多个任务之间存在关联，比如行人和车辆检测，对于深度网络也可以理解为有部分共同的网络结构；
2）每个独立任务的训练数据比较少，单独训练无法有效收敛；
3）多个任务之间存在相关性信息，单独训练时无法有效挖掘；
可以看一下这篇 Tutorial：www.public.asu.edu/~jye02/Software/MALSAR/MTL-SDM12.pdf
关于多任务学习的应用，比如 分类任务下的二级分类，人脸识别等，大家可以更进一步了解。