多数人忽视但重要的科学概念：迁移学习

深度学习近几年发展突飞猛进，想要快速入门、掌握这门技术？百度资深算法工程师童老师的深度学习基础班现正开放预约，点击文末「阅读原文」即刻预约课程。

Edge.org 发起 2017 年度问题：你最值得关注的科学术语或概念是什么？微软全球资深副总裁 Peter Lee 的回答是「迁移学习」。什么是迁移学习？如何将迁移学习运用到实践？

「除非你掌握了两门以上的语言，否则你永远无法真正理解一门语言。」

英语作家 Geoffrey Willans 的这一说法对任何学习第二语言的人都是直观的。这句话的意思是，学会说外语不可避免地传达了对一个人的母语的更深的理解。事实上，歌德发现这样一个强大的概念，他做出一个相似，但更极端的断言：

一个不会外语的人对其母语也一无所知。

这可能令人感到震惊，这个想法的本质： 一个技能或心理功能的学习或改善可正面影响另一个技能。 这个现象不仅存在于人类智能，而且存在于机器智能。这种效应称为 迁移学习 ，除了作为机器学习的基础研究领域之外，还具有潜在的广泛的实际应用。

今天，机器学习的能力已随着经验而提高，相关科学研究也已经取得了惊人的进步。这些进步让人类智能相关计算系统， 不仅接近人的能力，而且在某些情况下还超过人的水平。

例如翻译语言的能力。近年来，机器学习的大部分研究集中在深层神经网络或 DNN 的算法概念，通过从大量数据推断模式（通常是非常复杂的模式）来学习。例如，基于 DNN 的机器可以分析成千上万的英语话语的片段，每个片段与其文本转录配对，并且从这标识语音记录和配对转录之间的相关模式。

这些推断的相关模式足够精确，最终，系统可以理解英语语音。事实上，今天的 DNN 是如此得好，当给定足够的训练示例和强大的计算能力，他们可以听到一个人说话，并比任何人类犯更少的转录错误。

一些人可能感到惊讶，计算机化的学习机器能迁移学习。

例如，让我们考虑一个涉及两个机器学习系统的实验，为了简单起见，我们将其称为机器 A 和 B。机器 A 使用全新的 DNN， 而机器 B 使用已经训练的 DNN （以前懂英语）。