在這篇文章中，你將了解到什么是遷移學(xué)習(xí)，它的一些應(yīng)用是什么以及為什么它是數(shù)據(jù)科學(xué)家的關(guān)鍵技能。

遷移學(xué)習(xí)不是機(jī)器學(xué)習(xí)模式或技術(shù)，它是機(jī)器學(xué)習(xí)中的一種“設(shè)計(jì)方法”。另一種“設(shè)計(jì)方法”就是主動(dòng)學(xué)習(xí)。

　　遷移學(xué)習(xí)：一個(gè)定義

遷移學(xué)習(xí)的一般概念是利用從任務(wù)中學(xué)到的知識(shí)，在只有少量標(biāo)記數(shù)據(jù)可用的設(shè)置中，可以使用大量標(biāo)記數(shù)據(jù)。創(chuàng)建帶標(biāo)簽的數(shù)據(jù)是昂貴的，所以最佳方法是利用現(xiàn)有數(shù)據(jù)集。

在傳統(tǒng)的機(jī)器學(xué)習(xí)模型中，主要目標(biāo)是基于從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的模式推廣到看不見的數(shù)據(jù)。通過遷移學(xué)習(xí)，嘗試從已經(jīng)學(xué)習(xí)完成不同任務(wù)的模式開始，啟動(dòng)這個(gè)泛化過程。本質(zhì)上，不是從一個(gè)（通常是隨機(jī)初始化的）空白表單開始學(xué)習(xí)的過程，而是從已經(jīng)學(xué)會(huì)解決不同任務(wù)的模式開始。

能夠從圖像中區(qū)分線條和形狀（左），會(huì)更容易確定某物是否是“汽車”，而不是必須從原始像素值開始。遷移學(xué)習(xí)可以讓你利用來自其他計(jì)算機(jī)視覺模型的學(xué)習(xí)模式。

在NLP中，表示詞有不同的方法（在左邊有一個(gè)詞的代表，在右邊有一個(gè)表示詞的符號(hào)）。通過遷移學(xué)習(xí)機(jī)器學(xué)習(xí)模型可以利用不同單詞之間存在的關(guān)系。

知識(shí)和模式的轉(zhuǎn)移在各種領(lǐng)域都是可能的。今天的文章將通過查看這些不同領(lǐng)域的幾個(gè)例子來說明遷移學(xué)習(xí)。目標(biāo)是激勵(lì)數(shù)據(jù)科學(xué)家在他們的機(jī)器學(xué)習(xí)項(xiàng)目中進(jìn)行遷移學(xué)習(xí)，并讓他們意識(shí)到優(yōu)缺點(diǎn)。

為什么對(duì)遷移學(xué)習(xí)的理解是數(shù)據(jù)科學(xué)家的關(guān)鍵技能，這兒有3個(gè)原因：

·遷移學(xué)習(xí)在任何一種學(xué)習(xí)中都是至關(guān)重要的。為了獲得成功，人類不是每一個(gè)任務(wù)或問題都能被教導(dǎo)。每個(gè)人都會(huì)遇到從未遇到過的情況，我們?nèi)匀辉O(shè)法以特殊的方式解決問題。從大量的經(jīng)驗(yàn)中學(xué)習(xí)和將“知識(shí)”輸出到新的環(huán)境中的能力正是遷移學(xué)習(xí)所關(guān)心的。從這個(gè)角度來看，遷移學(xué)習(xí)和泛化在概念層面上是高度相似的，主要區(qū)別在于遷移學(xué)習(xí)經(jīng)常被用于“跨任務(wù)轉(zhuǎn)移知識(shí)，而不是在一個(gè)特定的任務(wù)中進(jìn)行概括”。因此，遷移學(xué)習(xí)與所有機(jī)器學(xué)習(xí)模型所必需的泛化概念有著內(nèi)在聯(lián)系。

·遷移學(xué)習(xí)是確保大量小數(shù)據(jù)環(huán)境下深度學(xué)習(xí)技術(shù)突破的關(guān)鍵。在研究中，深度學(xué)習(xí)幾乎是無處不在，但是很多現(xiàn)實(shí)生活場(chǎng)景通常沒有數(shù)百萬個(gè)標(biāo)記數(shù)據(jù)點(diǎn)來訓(xùn)練模型。深度學(xué)習(xí)技術(shù)需要大量的數(shù)據(jù)來調(diào)整神經(jīng)網(wǎng)絡(luò)中的數(shù)百萬個(gè)參數(shù)。特別是在監(jiān)督式學(xué)習(xí)的情況下，這意味著你需要大量（非常昂貴的）標(biāo)簽數(shù)據(jù)。標(biāo)記圖像聽起來很平常，但是在自然語言處理（NLP）中，需要專家知識(shí)才能創(chuàng)建大型標(biāo)記數(shù)據(jù)集。例如Penn treebank是一個(gè)詞性標(biāo)記集，已經(jīng)有7年的歷史了，需要許多受過訓(xùn)練的語言學(xué)家的密切合作。遷移學(xué)習(xí)是減少數(shù)據(jù)集所需大小的一種方法，以使神經(jīng)網(wǎng)絡(luò)成為可行的選擇。其他可行的選擇正朝著更多的概率啟發(fā)模式發(fā)展，這些模型通常更適合處理有限的數(shù)據(jù)集。

·遷移學(xué)習(xí)有顯著的優(yōu)點(diǎn)和缺點(diǎn)。了解這些缺點(diǎn)對(duì)于成功的機(jī)器學(xué)習(xí)應(yīng)用程序至關(guān)重要。知識(shí)轉(zhuǎn)讓只有在“適當(dāng)”的情況下才有可能。在這個(gè)背景下確切地定義合適的手段并不容易，通常需要進(jìn)行大量的實(shí)驗(yàn)。一般的情況下，你可能不會(huì)相信一個(gè)在玩具車?yán)镩_車的孩子能夠駕駛法拉利。在遷移學(xué)習(xí)中也是這樣的原理：雖然很難量化，但遷移學(xué)習(xí)是有上限的。這不是一個(gè)適合所有問題的解決方案。

遷移學(xué)習(xí)的一般概念

遷移學(xué)習(xí)的要求

正如名稱所述，遷移學(xué)習(xí)需要將知識(shí)從一個(gè)領(lǐng)域轉(zhuǎn)移到另一個(gè)領(lǐng)域的能力。遷移學(xué)習(xí)可以在高水平上解釋。一個(gè)例子就是NLP中的架構(gòu)可以被重新在序列預(yù)測(cè)問題中重用，因?yàn)楹芏郚LP問題本質(zhì)上可以歸結(jié)為序列預(yù)測(cè)問題。遷移學(xué)習(xí)也可以在低層次上進(jìn)行解釋，其中你實(shí)際上是正在重復(fù)使用不同模型中的參數(shù)（跳過詞組，連續(xù)詞袋等）。遷移學(xué)習(xí)的要求一方面是具體的問題，另一方面是具體的模型。接下來的兩節(jié)將分別討論遷移學(xué)習(xí)的高層次和低層次的方法，盡管在文獻(xiàn)中通常會(huì)用不同的名字，但是遷移學(xué)習(xí)的總體概念仍然存在。

多任務(wù)學(xué)習(xí)

在多任務(wù)學(xué)習(xí)中，你可以同時(shí)在不同的任務(wù)上訓(xùn)練模型。通常使用深度學(xué)習(xí)模型，因?yàn)樗鼈兛梢造`活地進(jìn)行調(diào)整。

網(wǎng)絡(luò)體系結(jié)構(gòu)是這樣調(diào)整的，即第一層跨越不同的任務(wù)使用，隨后為不同的任務(wù)指定不同的任務(wù)層和輸出?？偟乃悸肥牵ㄟ^對(duì)不同任務(wù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)將更好地推廣，因?yàn)槟Ｐ托枰陬愃?ldquo;知識(shí)”或“處理”的任務(wù)上表現(xiàn)良好。

自然語言處理的一個(gè)例子是一個(gè)模型，它的最終目標(biāo)是執(zhí)行實(shí)體識(shí)別，而不是純粹的訓(xùn)練模型的實(shí)體識(shí)別任務(wù)，也可以用它來進(jìn)行詞性分類，得到詞語聯(lián)想的一部分，......因此，模型會(huì)從這些任務(wù)和不同的數(shù)據(jù)集中獲益。

Featuriser

深度學(xué)習(xí)模型的一大優(yōu)點(diǎn)是特征提取是“自動(dòng)的”。基于標(biāo)記的數(shù)據(jù)和反向傳播，網(wǎng)絡(luò)能夠確定任務(wù)的有用特征。例如對(duì)圖像進(jìn)行分類，網(wǎng)絡(luò)“計(jì)算出”輸入的哪一部分是重要的。這意味著功能定義的手動(dòng)工作被抽象出來。深度學(xué)習(xí)網(wǎng)絡(luò)可以在其他問題中重復(fù)使用，因?yàn)樗崛〉奶卣黝愋鸵渤３?duì)其他問題有用。本質(zhì)上，在一個(gè)特征中，你使用網(wǎng)絡(luò)的第一層來確定有用的特征，但是你不使用網(wǎng)絡(luò)的輸出，因?yàn)樗翘囟ㄓ谌蝿?wù)的。

鑒于深度學(xué)習(xí)系統(tǒng)擅長(zhǎng)特征提取，如何重用現(xiàn)有網(wǎng)絡(luò)來執(zhí)行其他任務(wù)的特征提?。靠梢詫?shù)據(jù)樣本饋送到網(wǎng)絡(luò)中，并將網(wǎng)絡(luò)中的一個(gè)中間層作為輸出。這個(gè)中間層可以被解釋為一個(gè)固定的長(zhǎng)度，原始數(shù)據(jù)的處理表示。通常情況下，在計(jì)算機(jī)視覺的情況下使用特征的概念。圖像然后被饋送到預(yù)先訓(xùn)練的網(wǎng)絡(luò)（例如，VGG或AlexNet）中，并且在新的數(shù)據(jù)表示上使用不同的機(jī)器學(xué)習(xí)方法。提取中間層作為圖像的表示顯著地減少了原始數(shù)據(jù)大小，使得它們更適合于傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)（例如，邏輯回歸或支持向量機(jī)與小圖像的表示（例如128維度）相比更好地工作到原來的，例如，128x128 = 16384尺寸）。