迁移学习1

迁移学习我也是第一次开始接触，网络上对于迁移学习的文章比较少就此来做我自己的总结。
首先理清几个概念：源域就是有知识、有大量数据标注的领域，是我们要迁移的对象；目标领域就是我们最终要赋予知识、赋予标注的对象。

首先迁移学习可以分为四个类：基于样本的迁移学习方法，基于特征的深度学习方法，基于模型的迁移学习方法，基于关系的迁移学习方法。

**A.**基于样本的迁移学习方法:举个例子就很好理解，比如说我们有一个要做识别各种动物的模型，然后我们需要做一个识别狗的模型，但是我们的狗的照片很少，之前的那个训练动物的很多照片如果直接抛弃有点浪费，而我们这边照片少训练出来的模型很容易过拟合，那么我们可以用之前的样本中的照片来一起训练，但是不是单纯的直接训练，在训练的时候如果是和我们的目的域中的需要识别的图像比较相似的我们就加大他的权重，如果相似度比较小我们就减少他的权重。

下面的代码可以看到权重更新的过程：
TrAdaBoost算法：
是一种从old data中提取实例的方法，即将一部分能用的old labeled data，结合new labeled data（可能是少量&#