【迁移学习】迁移学习的干货学习资料 | 干货分享 | 技术解读( 二 ) _人工智能

算法比较简单，用一句话概括就是从过期数据里面找出和目标数据最接近的样本数据。
来看的算法步骤：
这里需要说明的一点就是权重的更新方式，对于辅助样本来讲，预测值和标签越接近，权重越大；而对于目标数据则是相反，预测值和标签差异越大，权重越大。这种策略狠容易理解，我们想找到辅助样本中和目标数据分布最接近的样本，同时放大目标样本Loss的影响，那么理想的结果就是：
目标样本预测值与标签尽量匹配（不放过一个没匹配好的数据），辅助样本在前面的基础上筛选出最 match（权重大的）的部分。
作者在后面给出了理论证明，这里有两个公式（来证明算法收敛）：
因篇幅问题，这里就不再展开了（和作者说的一样），有兴趣可以参考原Paper，看下实验结果：
实验发现，当同分布数据（目标数据）占比当低于0.1时，算法效果明显，当比例超过 0.1时，退化为 SVM 的效果。
这又是一个显而易见的结论，我们认为大于0.1时，仅仅依靠目前数据就足够完成样本训练，这种情况下，辅助样本的贡献可以忽略。
另外，当目标数据和辅助数据差别比较大时，该方法是不 Work的，印证了最初的假设，这里不再展开证明。
最后，给出网友提供的C代码：【下载地址】
四. 多任务学习
多任务学习（Multi-Task , MTL）是一种同时学习多个任务的机器学习方法，该方法由来已久，和深度学习没什么关系。
如果非要把它和深度学习加上一个 link，我们可以这样来表示：
-> ->H1-> Out1-> Out1
-> ->H2-> Out2==>->-> H123 -> Out2
-> ->H3-> Out3-> Out3
也比较好理解，相当于把多个 Task网络进行合并，同时训练多个任务，这种情况并不鲜见，比如以下2个方向：
1）目标检测－复合多任务
目标检测是分类问题＋回归问题的组合，这是一个典型的 Multi-Task，比如:
＝＋
Mask RCNN =＋＋
检测问题前面描述的比较多了，这里就不再贴图了。
2）特征提取
多任务特征提取，多个输出，这一类问题代表就是数据结构化，特征识别。
下图是港中文汤晓鸥组发表的TCDCN（by Deep Multi-task ），很多讲 Multi－Task的软文都拿出来说，我们也借用一下。
在这里 Multi-Task 被同时用作人脸关键点定位、姿态估计和属性预测（比如性别、年龄、人种、微笑？戴眼镜？）
多任务学习适用于这样的情况：
1）多个任务之间存在关联，比如行人和车辆检测，对于深度网络也可以理解为有部分共同的网络结构；
2）每个独立任务的训练数据比较少，单独训练无法有效收敛；
3）多个任务之间存在相关性信息，单独训练时无法有效挖掘；
可以看一下这篇：~jye02///MTL-SDM12.pdf
关于多任务学习的应用，比如分类任务下的二级分类，人脸识别等，大家可以更进一步了解。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPSOS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。