Transfer Learning
1、什么是迁移学习
2、如何实现迁移学习
1）source有label，target有label
一、model fine-tuning（模型微调）
方法一、conservative training（保守训练）
方法二、layer transfer（层迁移）
二、Multitask Learning（所任务学习）
2）source有label，target无label
一、Domain-Adversial training （领域对抗训练）
二、zero-shot-learning（零样本学习）
1、什么是迁移学习
迁移学习适用于：训练数据中，
- target data：相关的数据，很少
- source data：不直接相关的，很多
迁移学习两大任务：
- source data是相似的领域，要做不同的任务
- source data是不同的领域，要做相同的任务
比如说，现在要做猫狗分类：
- source data是一些大象和老虎（动物领域），用训练大象老虎分类的模型去识别猫狗
- source data是一些卡通的猫和狗（不同领域），用卡通猫狗的训练模型去识别target data的猫狗
2、如何实现迁移学习
1）source有label，target有label
一、model fine-tuning（模型微调）
思想：用source data去训练好模型，再用target data微调模型
方法一、conservative training（保守训练）
如果你直接拿这些去train的话就坏掉了。你可以在training的时候加一些限制（正则化），让新的model跟旧的model不要差太多
方法二、layer transfer（层迁移）
把source data训练好的模型的其中几层直接copy，用target data 训练剩下没copy的层即可
复制哪些层是有讲究的：
语音识别中：一般迁移后几层，因为后几层可能做的是根据人的发音方式做识别；
图像识别中：一般迁移前几层，因为前几层做的事情可能就是一些直线、曲线等通用图形。
二、Multitask Learning（所任务学习）
多任务学习跟fine tuning不同是：在fine tuning里面我们care target domain做的好不好，那在多任务学习里面我们同时care target domain跟source domain做的好不好
2）source有label，target无label
一、Domain-Adversial training （领域对抗训练）
比如现在要做不同领域，相同任务的事情 ：
思想：既然是不同领域，那么就减少不同领域的特征差异
把一个neural network当做feature extract，neural network前面几层我们可以看做是抽feature，后面几层可以看做classification
Domain-Adversial training网络结构：
蓝色label predictor：做的事情是把class分类做的正确率越高越好，
红色domain classifier：做的事情是想正确predict image是属于哪个domain。
绿色feature extractor：想要做的事情是：要同时improve label predictor，同时想要minimize domain classifier accuracy
二、zero-shot-learning（零样本学习）
比如现在要做的事情是：用相同领域数据，做不同的任务
思想：找到相同领域数据中更小的attribute（属性）
具体如何训练
