作者 | Lars Hulstaert
翻译 | 林椿眄
编辑 | 谷磊
在这篇博文中，你将了解到什么是迁移学习，它的一些应用以及它为什么能够成为数据科学家应具备的关键技能。
迁移学习不是机器学习的一个模型或技术，它是机器学习中的一种“设计方法论”，还有一些其他的设方法论，比如说主动学习。
本文是AI科技大本营编译的迁移学习系列的第一篇文章。第二篇文章也会在近期放送给大家，其中讨论了迁移学习的两种应用。
在后续的文章中，作者将解释如何结合主动学习与迁移学习来最优地利用现有(或者新的)数据。 从广义上说，在利用外部信息来提高性能或泛化能力时，可以使用迁移学习来实现一些机器学习的应用。
▌迁移学习的定义 迁移学习的总体思路是：对于带大量标签数据及可用参数设置的源任务，迁移已学习的知识，处理带少量标签的目标任务。因为标记数据的成本是昂贵的，最佳地利用现有数据集来解决目标任务是关键。
在传统的机器学习模型中，主要目标是将训练数据中学习到的模式，推广到未知的数据。 通过迁移学习，你可以尝试从已经学习的任务模式开始，启动这个泛化过程。本质上，这不是从无到有地（通常是随机初始化的）开始学习过程，而是在学会了其他任务模式的基础上开始学习新任务。
能够从图像中区分线条和形状（左），这些特征能够更容易确定图中是否是“汽车”。可以运用迁移学习来学习其他计算机视觉模型中的模式，而不必从图像的原始像素值开始。
存在不同的方法来表示自然语言中的单词（词嵌入像左、右侧的词表示）。借助词嵌入算法，机器学习模型就可以利用不同单词之间存在的关系。
知识和模式的迁移在各种领域都是有可能实现的。这篇文章将通过几个不同领域的例子来说明迁移学习是如何工作的。我们的目标是鼓励数据科学家在机器学习项目中使用迁移学习，并让他们意识到这种方法的优缺点。
对于迁移学习的理解，以下这三个方面是我认为数据科学家都应具备的关键技能：
- 在任何一种学习模式中，迁移学习的应用都是至关重要的。为了获得成功，人类不可能学习到每一个任务或问题。每个人都会遇到从未遇到过的情况，但我们仍然希望以特殊的方式解决问题。从大量的经验中学习，并将“知识”转移到新环境中的能力正是迁移学习的关键所在。从这个角度来看，迁移学习和泛化能力在概念层面上是非常相似的。它们的主要区别在于迁移学习经常被用于“跨任务迁移知识，而不是在一个特定的任务中进行概括”。因此，迁移学习与所有机器学习模型所必需的泛化能力概念有着内在联系。
- 对于小数据量情况下深度学习技术，应用迁移学习是取得成功的关键。在实际研究中，深度学习几乎是无处不在，但是对于很多现实生活场景来说，通常都没有数百万个带标签的数据来训练模型。而深度学习技术需要大量的数据来调整神经网络中的数百万个参数，特别是在监督式学习的情况下。这就意味着你需要大量带标签数据来训练模型，而标注数据则需要昂贵的人工成本。标记图像听起来很平常的，但是在诸如自然语言处理（NLP）任务中，需要专家知识才能创建大型标记数据集。例如，Penn treebank是一个词性标注语料库，至今已有7年的历史了，它需要与多位语言学专家的密切合作才能完成。为保证小数据量上的神经网络能够正常运行，迁移学习是一种可行的方法。而其他可行的选择正朝着更多概率启发的模式发展，这些模式通常更适合处理有限的小数据集。
- 迁移学习有着显著的优点和缺点。了解这些缺点对于机器学习应用程序的成功是至关重要。知识迁移只有在“适当”的情况下才有可能。这种情况下，确切地定义“适当”的概念是不容易的，需要点经验知识来帮助确定。例如，你不应该相信一个在玩具车里开车的孩子能够开上法拉利。迁移学习的原理也是一样的：虽然它很难被量化，但迁移学习也是有上限的，也就是说它不是一个适合所有问题的解决方案。
▌迁移学习的一般概念
迁移学习的要求
正如它的名字，迁移学习需要将知识从一个领域迁移到另一个领域的能力。通常，迁移学习可以在高层级上进行解释。例如，自然语言处理任务中的体系结构可以在序列预测问题中重复使用，因为很多自然语言处理问题本质上都可以归结为序列预测问题。迁移学习也可以在低层级上进行解释，例如在实际中你经常会重复使用不同模型中的参数（跳过词组，连续词袋等）。迁移学习的要求，一方面是针对具体的问题而定，另一方面则是由具体的模型决定。接下来的两节将分别讨论迁移学习在高层级和低层级的应用方法。尽管在文献中通常会用不同的名字来阐述这些概念，但是迁移学习的总体概念仍然存在。
多任务学习
在多任务学习中，你可以同时在不同的任务上训练模型，通常这些都是深度学习模型，因为它们可以灵活地进行调整。
网络体系结构是这样调整的：第一层跨越不同的任务使用，随后为不同的任务指定特定的任务层和输出。总体的思路是，通过对不同任务的网络进行训练，网络将更好地推广，因为模型需要在相似的“知识”或“处理”任务上表现良好。
例如，自然语言处理任务的最终目标是执行实体识别的模型，而不是在实体识别任务纯粹地训练模型。你还用它来处理一部分语音分类，词语联想等任务......因此，模型将从不用的结构、不同的任务和不同的数据集的学习中获益。如果你想学习更多关于多任务学习的内容，强烈建议你阅读Sebastian Ruder的关于多任务学习的博文（http://ruder.io/multi-task/）。
▌特征提取
深度学习模型的一大优点是能够“自动化”地提取特征。基于标记的数据和反向传播法则，网络能够捕捉到对任务有用的特征。例如，对于图像分类任务，网络会计算出输入的哪一部分是重要的。这意味着手动定义的特征是很抽象的，而深度神经网络学习到的特征可以在其他问题中重复地使用。因为网络所提取的特征类型，常常对其他问题也是有用。本质上，你可以使用网络的第一层来确定有用的特征，但是你不能在其他任务上使用网络的输出，因为这些输出是针对特定任务的。
考虑到深度学习系统强大的特征提取能力，如何重复使用现有网络来执行其他任务的特征提取？
这里有一个方法，可以将新的数据样本馈送到网络中，并将网络中的一个中间层作为输出。这个中间层可以被设置为一个固定的长度，来表示原始数据的输出。特别地，在计算机视觉领域使用图像特征，馈送到预训练好的网络（例如，VGG或AlexNet），并在新的数据表示上使用不同的机器学习方法。提取中间层作为图像的表示能够显著地减少了原始数据大小，以便它们更适合于传统的机器学习技术（例如，对于一个128×128的小图像：大小为128x128=16384像素，逻辑回归算法或支持向量机通常有更好的算法性能）。
在接下来的博文中，作者还将深入讨论转移学习两种的应用，并用具体的例子来进一步说明，AI科技大本营将持续编译，欢迎继续关注。
原文链接
https://towardsdatascience.com/transfer-learning-leveraging-insights-from-large-data-sets-d5435071ec5a
