什么是迁移学习？谈谈人工智能在迁移学习上的应用

在人工智能的传统训练过程中，机器学习占据了绝大部分，所输出的结果基本根据开发者所投喂的数据内容想匹配，不会有超出学习内容之外的理解输出。但迁移学习，能够让人工智能获得举一反三的能力，不再局限于固定的知识结构。

目前，迁移学习的方法主要有两种：实例加权方法与共同特征学习方法。实例加权方法是指增加在某一领域内学习样本的数量，提高权重占比，来锻炼机器在输出结果时的偏好。共同特征学习方法则是通过对拥有共同特征的元数据进行标记，让二者产生关联性，从而拓展逻辑渠道。

迁移学习的发展，已经经过了数个阶段。最开始，人们尝试将只是的内容与结构分析，让机器在学习时能够发现不同类别问题中的共性，而不再局限于在单一领域寻找输出结果。为了实现这一目标，眼界这门尝试将问题按照一定共性进行分层，方便机器进行学习。如果有新的内容需要加入，便将其余内容进行固定，只使用某一层级的数据进行训练，从而排除其他干扰。

在就领域到新领域的迁移中，如果是从多数据向少数据迁移，则被称作单步迁移。一般情况下，可以构建出一个具有深度的架构，尽可能的在其中加入不同层级的问题，来逻辑性的丢失。

而在数据生成式迁移学习中，可以通过让生成式对抗网络进行共同成长，让双方通过模拟数据来刺激对共性的理解，从而促进模型的成长。这种方式所需要的数据量更小，能够提高整体的学习效率。

社会上对于人工智能的学习热情，已经迈入了新一轮高潮；而迁移学习的应用，无疑能够让人工智能的运行更加拟人，使其拥有更加广泛的应用场景。