机器学习——概念理解之fine-tuning 强化学习 迁移学习

fine-tune和transfer learning是两个相似的概念，但是并不完全相同，两个都是利用训练过的模型来解决现在的问题，但是也有一些差异。

fine-tune(微调）

fine-tune意思是对以前已经训练过的模型（例如，可能已经用一些数据进行了训练）已经学习到了一些信息，然后继续训练该模型（例如：可能在不同的数据集上继续进行训练），核心思想就是用已经训练的模型的参数作为新模型的初始化参数。与在训练的最后阶段称为微调概念是不相同的。

transfer learning(迁移学习)

迁移学习，顾名思义就是将已有的模型应用到其他的问题上，主要的场景是从解决一个问题上学习到的特性(或者在某一个数据集上训练出的模型)，应用到一个新的、类似的问题或者在某种程度三相关联的问题上。比如，我们训练了一个模型来识别狗，该模型学习到的特征可能对识别一只猫是很有用的。
迁移学习主要步骤：

1. 从已经训练的模型中提取所需的layers
2. 冻结（freeze）这些层，防止在后面的训练中破坏他们中包含的信息
3. 在冻结层的顶部添加一些新的、可训练的层。这些层用来将学习如何将旧的特性转化为对新数据集的预测
4. 在新数据集上面进行训练

最后，可选的一步，对模型进行微调（fine-tune），解冻之前获取的整个模型或在部分模型，然后在新数据集上以非常小的学习率重新训练，使预训练的特征适应新的数据集，

reinforcement learning(强化学习)

强化学习是机器学习的一个领域，强调基于当前环境该作出什么样的行为，以取得最大化的预期收益。基于agent和环境的交互实现agent的学习过程，agent通过行为改变环境，环境返回奖励和状态。例如在游戏领域，一架飞机作为agent飞的越远得到的奖励就越多，在某一环境下如果agent作出的决定能够继续往前飞则得到正向的奖励，如果撞到障碍物则得到负向奖励。

水平有限，有错误请多指正。

针对迁移学习和fine-tune可以参考：
https://keras.io/guides/transfer_learning/
https://www.jianshu.com/p/445a49c09769
https://blog.csdn.net/u013841196/article/details/80919857