迁移学习与fine-tuning有什么区别

作者：刘兆洋
链接：https://www.zhihu.com/question/49534423/answer/191249820
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

迁移学习，个人感觉是一种思想吧，并不是一种特定的算法或者模型，目的是将已学习到的知识应用到其他领域，提高在目标领域上的性能，比如说一个通用的语音模型迁移到某个人的语音识别，一个ImageNet上的图片分类问题迁移到医疗疾病识别上。

作为知识的搬运工，下面的内容就要开始盗图大法了，台大李宏毅老师的slides，一个能把ML&DL讲成笑话的男人，非常推荐：

1. 首先，回答第一个问题？Why Transfer Learning？

迁移大法好，无论是语音、图片，还是文本处理，都有迁移学习的应用场景和实例，借助现有学习到的知识，能够很好的解决目标问题；

<img src="https://pic2.zhimg.com/50/v2-7c4ae21abed8ef8acf67190921a4586a_hd.jpg" data-rawwidth="1410" data-rawheight="1024" class="origin_image zh-lightbox-thumb" width="1410" data-original="https://pic2.zhimg.com/v2-7c4ae21abed8ef8acf67190921a4586a_r.jpg">

2. 回答正题，fine tune和Transfer Learning的关系（经典技法之一吧，适用在source和target中都有标签数据集的情形）

李宏毅老师按照源问题数据集和目标问题数据集是否有标签，可以像下图这样划分，方格中是典型的方法技巧，当然这种分类的标准有很多，像杨强老师早在08年的Trasfer Learning Survey中，就按照domain和task的划分方法，又进一步区分了instance transfer，feature transfer，parameter transfer，knowledge transfer；

<img src="https://pic2.zhimg.com/50/v2-fcaf713f373f3f993829249c1041059f_hd.jpg" data-rawwidth="1406" data-rawheight="990" class="origin_image zh-lightbox-thumb" width="1406" data-original="https://pic2.zhimg.com/v2-fcaf713f373f3f993829249c1041059f_r.jpg">

3. 具体聊一聊fine tune吧，应用情景是我们在target上有少量的label data，如何有效利用这部分label data，而且还不过拟合呢，我们以NN的角度为例，在原问题中学习到的NN，我们在target上采用保守学习的方式，比如让target和source上的输出尽可能相近，神经网络中间的参数尽可能相近，或者tune的时候，只tune某几层，其他层的参数不发生变化；

<img src="https://pic3.zhimg.com/50/v2-b74a86fc76cd60e0cc2554d760677e91_hd.jpg" data-rawwidth="1370" data-rawheight="998" class="origin_image zh-lightbox-thumb" width="1370" data-original="https://pic3.zhimg.com/v2-b74a86fc76cd60e0cc2554d760677e91_r.jpg">
<img src="https://pic3.zhimg.com/50/v2-26cf67b53ad6dac55c75b989e28c3f73_hd.jpg" data-rawwidth="1440" data-rawheight="984" class="origin_image zh-lightbox-thumb" width="1440" data-original="https://pic3.zhimg.com/v2-26cf67b53ad6dac55c75b989e28c3f73_r.jpg">

4. 不同领域的问题，在NN上fine tune的经验也不同，语音识别领域一般tune前几层，图片识别问题tune后面几层（背后的哲学，还请大神指点了）；

5. 最后举一下迁移学习中的其他技巧吧，比如multi-task learning，怎么说呢？multi-task学习的哲学是同时学，transfer learning的思想是先学习source，在学习target。但技巧还是可以应用的，比如ACL 2015的工作，同时进行多语音的语音识别，效果会好于单独一种语言的识别效果，底层共享神经元，学习到通用特征：

<img src="https://pic3.zhimg.com/50/v2-392ce77b235c80df5baa67e71aa0b506_hd.jpg" data-rawwidth="1462" data-rawheight="1046" class="origin_image zh-lightbox-thumb" width="1462" data-original="https://pic3.zhimg.com/v2-392ce77b235c80df5baa67e71aa0b506_r.jpg">

6. Transfer Learning中的其他技巧也都蛮有意思的，比如domain adversarial training，对抗的思想有点像GAN，通过source domain和target domain的数据投影到同一个空间内，再进行学习；

推荐材料：

1. http://kddchina.org/file/IntroTL2016.pdf

2. https://www.cse.ust.hk/~qyang/Docs/2009/tkde_transfer_learning.pdf

3. Hung-yi Lee

4. http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2017/Lecture/transfer.pdf