为什么需要迁移学习？

在真实的业务场景中，模型的训练往往需要大量标注数据才能实现理想的效果，但是，往往标注数据是不足的，而且标注的代价比较高。因此，迁移学习可以帮助处理这些场景，使机器学习在没有大量标注数据的任务域中规模化应用。

迁移学习是指利用数据、任务或模型之间的相似性，将旧领域学习过的模型，应用于新领域的一种学习过程。迁移学习方法可分为四类：

• 基于样本的迁移学习方法
• 基于特征的迁移学习方法
• 基于模型的迁移学习方法
• 基于关系的迁移学习方法

之所以需要迁移学习，主要是因为要解决以下几个问题：

1. 深度学习和标注数据少之间的矛盾：目前深度学习需要在有大量标注数据的场景下，才能更好发挥它的效果。但在实际的很多场景中，我们没有足够多的标注数据；

2. 通用模型与个性化需求之间的矛盾：通用模型可以解决绝大多数的公共问题，但是具体到个性化的需求，通用模型很难满足。因此，需要将通用模型加以改造和适配，使其满足个性化需求；

3. 特定应用的需求：某些特定应用需求，例如：个性化推荐，通过迁移学习将相似领域的知识迁移过来。

4. 强算力与弱资源之间的矛盾：一些海量数据的模型训练，需要大量的算力，一般中小型企业或个人都烧不起这个钱，因此需要让他们也能利用这些数据和模型。