遷移學習可以如何應用

    毫無疑問，機器學習在工業中的應用和成功主要是由監督學習驅動的。在深度學習、更強大的計算資源和大量標簽數據集的推動下，監督學習是人們對人工智能興趣復蘇、多輪融資和收購的主要原因，尤其是近年來我們看到的機器學習的應用，已經成為我們生活的一部分。下面就由小編為您介紹遷移學習可以如何應用。

容智（iBot）RPA

3.3

9條點評

咨詢產品

免費試用

解決用戶選型困難的好軟件，有各維度的信息

客戶案例

8

合作品牌

20

遷移學習可以如何應用

遷移學習的應用

從模擬中學習

      一個非常令我興奮并且我認為我們在將來會見到更多的遷移學習應用就是從模擬中學習。對很多依靠硬件來交互的機器學習應用而言，在現實世界中收集數據、訓練模型，要么很昂貴，要么很耗時間，要么只是太危險。所以最好能以某些風險較小的其他方式來收集數據。

     模擬是針對這個問題的首選工具，在現實世界中它被用來實現很多先進的機器學習系統。從模擬中學習并將學到的知識應用在現實世界，因為源域和目標域的特征空間是一樣的（僅僅依靠像素），但是模擬和現實世界的邊際概率分布是不一樣的，即模擬和目標域中的物體看上去是不同的，盡管隨著模擬的逐漸逼真，這種差距會消失。同時，模擬和現實世界的條件概率分布可能是不一樣的，因為模擬不會完全復制現實世界中的所有反應，例如，一個物理引擎不會完全模仿現實世界中物體的交互。

     從模擬中學習有利于讓數據收集變得更加容易，因為物體可以容易地被限制和分析，同時實現快速訓練，因為學習可以在多個實例之間并行進行。因此，這是需要與現實世界進行交互的大規模機器學習項目的先決條件，例如自動駕駛汽車。谷歌無人車的技術主管 Zhaoyin Jia 說，「如果你真的想做無人駕駛車，模擬是必需的」。Udacity 已經開源了它用來進行無人駕駛汽車工程納米學位教學的模擬器，OpenAI 的 Universe 平臺將可能允許用《俠盜飛車 5(GTA 5)》或者其他視頻游戲來訓練無人駕駛汽車。

      另一個必需從模擬中學習的領域是機器人：在實際的機器人上訓練模型是非常緩慢和昂貴的。從模擬中學習并且將知識遷移到現實世界的機器人上的方式能緩解這個問題，并且這種方面最近正得到越來越多的關注 [8]。圖 8 中可以看到一個在現實世界和模擬中操作數據的一個例子。

      最后，另一個方向是通向通用人工智能的途徑，其中模擬會是一個必需的組成部分。在現實世界中直接訓練一個代理來實現通用人工智能的代價太高，并且不必要的復雜度還會在初始的時候阻礙訓練。相反，如果基于諸如 CommAI-env [9] 的模擬環境的話，學習也許會更加成功。以上就是小編為您介紹的遷移學習可以如何應用。