迁移学习 - 努力的孔子
迁移学习
source data 我们称为源域，通常源域数据量很大；
target data 我们称为目标域，通常数据量很小；
迁移学习是把 在 源域 上学到的东西 迁移到 目标域上；
迁移学习不仅可以用于 监督学习，也可以用于无监督学习；
保守训练
预训练的模型是非常经典的模型，大数据集下得到的泛化能力很强的模型；
迁移学习通常 数据量 较小，如果过分训练很容易过拟合；
保守训练的思想是我还是相信一个权威的模型，只允许你在这个模型上做些许的变动，不允许大幅度改变模型；
通常的做法是 保证 训练后的参数和预训练的参数 差距不大； 【只是一种思路，你可以脑洞大开】
可在 loss function 上添加约束 loss + λ[(w1-w1\’)^2 + … (wn-wn\’)^2] λ 正则化系数
layer 层迁移
这是最常用的做法，我们常说的 finetune 就是这个；
层迁移有个问题：迁移哪些层？这根据任务来确定
多任务学习
多任务学习是指多个任务同时学习，使得一套参数可以完成多个任务；
有很多这样的场景，比如：
1. 在目标检测中，基于共同的卷积 完成 分类 和 检测的 任务；
2. 两个分类任务，一个是判断是不是狗，一个是判断是不是狼，由于狗的样本很多，狼的样本很少，我可以先训练狗的模型，然后 层迁移到 狼的网络进行 finetune，
也可以 同时训练，loss = 狗 loss + 狼 loss，这样做或许可以避免 狼的样本少，造成过拟合；
训练完之后，我可以分开使用；结果可能是 狗的模型比单独训练差点，但是狼的模型比单独训练好很多；而我们的目标是狼的模型；
多任务学习的重点在于 多任务 loss；
多任务学习已经在语因识别领域有一定应用
渐进式学习
随着任务的越来越困难，比如先训练一个 是不是狗的模型，又训练一个 狗与 狼的模型，又训练一个不同品种的狗的模型；
第一个模型相对容易训练，在训练第二个模型时，我们可以把 第一个模型的特征加到第二个模型上，可能有助于学到更好的特征；
域对抗
这种情况针对 目标域 没有 标签的情况，如下图
黑白色的手写数字是有标签的 源域；
彩色并有一定噪声的手写数字是目标域，目标域没有标签；
我们的目标是得到一个模型能够识别 目标域；
这是一个对抗网络，
上路是对输入进行分类，类别为 0123456789，输入是源域，
下路是对输入来源进行分类，类别为来源于 源域 还是 目标域，输入是源域和目标域，
在训练时，二者交替训练，先训练几次上路，然后固定上路，训练下路，依次进行，
网络的思想是得到一种特征，使得 网络无法判断他来源于 源域还是目标域，而且能准确分类，
对抗的思想体现在，网络希望通过特征 来识别 输入来源于 源域还是目标域，但同时又希望 识别不出来，注意，在我们得到 loss Ld 时，我们反向传播来减小 loss 使得 我们可以区分来源，但是传播时我们又把 梯度乘以 -1，使得本身希望可以区分来源变成区分不了来源，当区分不了来源时，源域和目标域就得到了公共特征，从而在源域上表现不错的分类器也可以用于目标域；
零样本学习-zero shot
除了 zero shot，还有 one shot，few shot，这里以 zero shot 为例进行讲解；
zero shot 不同于上面的迁移学习，
上面的迁移学习都是学习一个 新的分类器 用于 独立的 目标域上，也就是说 源域和目标域相互独立，各有各的分类器；
而 zero shot 是 目标域 也包含在 源域里，他们是一个任务，学习一个分类器，即可识别源域，也可以识别目标域；
如 源域是 人，label 是男女，目标域是鬼，显然没有样本，但 分类器依然能够识别男女；
或者如下图， 源域是 猫狗，label 是动物名称，目标域是一种不知道是啥的动物，没见过，依然能够识别，哪怕是随便起个名字呢，比如 草泥马，但不是猫，也不是狗；
这种情况比较少见，我大致介绍下解决方法，有几种方式
1. 猫狗 我们从像素和形状的角度进行识别，是否可以换一种 角度 去识别呢，比如 属性 角度：几只眼睛、几条腿等
chimp，猩猩，毛茸茸，2条腿，没尾巴；
dog，狗，毛茸茸，4条腿，有尾巴；
这样 就可以 识别 草泥马了，当然有可能识别为 马，但是总比识别成狗强；
2. 对输出做加权平均，这种处理方式其实不是很正式的迁移学习；
他是把 输出 多个目标的概率做加权平均，如下图
网络输出 50% 是老虎， 50% 是狮子，加权平均后得到一种 狮虎兽；
总结
迁移学习，transform learning 是一个大学科，内容很多，且研究空间很大，是未来的发展方向，后面会继续学习…
参考资料：
https://blog.csdn.net/XJTU_NOC_Wei/article/details/77850221?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task