【神经网络与深度学习】从迁移学习到强化学习
一. 深度学习及其适用范围
大数据造就了深度学习，通过大量的数据训练，我们能够轻易的发现数据的规律，从而实现基于监督学习的数据预测。
没错，这里要强调的是基于监督学习的，也是迄今为止我在讲完深度学习基础所给出的知识范围。
基于卷积神经网络的深度学习（包括CNN、RNN），主要解决的领域是 图像、文本、语音，问题聚焦在 分类、回归。然而这里并没有提到推理，显然我们用之前的这些知识无法造一个 AlphaGo 出来，通过一张图来了解深度学习的问题域：
2016年的 NIPS 会议上，吴恩达 给出了一个未来 AI方向的技术发展图，还是很客观的：
毋庸置疑，监督学习是目前成熟度最高的，可以说已经成功商用，而下一个商用的技术 将会是 迁移学习（Transfer Learning），这也是 Andrew 预测未来五年最有可能走向商用的 AI技术。
二. 迁移学习（举一反三的智能）
迁移学习解决的问题是 如何将学习到知识 从一个场景迁移到另一个场景？
拿图像识别来说，从白天到晚上，从 Bottom View 到 Top View，从冬天到夏天，从识别中国人到 识别外国人……
这是一个普遍存在的问题，问题源自于你所关注的场景缺少足够的数据来完成训练，在这种情况下你需要 通过迁移学习来实现 模型本身的泛化能力。
借用一张示意图（From：A Survey on Transfer Learning）来进行说明：
实际上，你可能在不知不觉中使用到了 迁移学习，比如所用到的预训练模型，在此基础所做的 Fine-Turning，再比如你做 Tracking 所用的 online learning。
迁移学习的必要性和价值体现在：
1. 复用现有知识域数据，已有的大量工作不至于完全丢弃；
2. 不需要再去花费巨大代价去重新采集和标定庞大的新数据集，也有可能数据根本无法获取；
3. 对于快速出现的新领域，能够快速迁移和应用，体现时效性优势；
关于迁移学习算法 有许多不同的思路，我们总结为：
1. 通过 原有数据 和 少量新领域数据混淆训练；
2. 将原训练模型进行分割，保留基础模型（数据）部分作为新领域的迁移基础；
3. 通过三维仿真来得到新的场景图像（OpenAI的Universe平台借助赛车游戏来训练）；
4. 借助对抗网络 GAN 进行迁移学习 的方法；
三. 强化学习（反馈，修正）
强化学习全称是 Deep Reinforcement Learning（DRL），其所带来的推理能力 是智能的一个关键特征衡量，真正的让机器有了自我学习、自我思考的能力，毫无疑问Google DeepMind 是该领域的执牛耳者，其发表的 DQN 堪称是该领域的破冰之作（有时间我们会在后续章节讨论）。
目前强化学习主要用在游戏 AI 领域（有我们老生常谈的 AlphaGo）和 机器人领域，除此之外，Google宣称通过 强化学习 将数据中心的冷却费用降低了 40%，虽无法考证真伪，但我愿意相信他的价值。
强化学习 是个复杂的命题，Deepmind 大神 David Silver 将其理解为这样一种交叉学科：
实际上，强化学习是一种探索式的学习方法，通过不断 “试错” 来得到改进，不同于监督学习的地方是 强化学习本身没有 Label，每一步的 Action 之后它无法得到明确的反馈（在这一点上，监督学习每一步都能进行 Label 比对，得到 True or False）。
强化学习是通过以下几个元素来进行组合描述的：
对象（Agent）
也就是我们的智能主题，比如 AlphaGo。
环境（Environment）
Agent 所处的场景－比如下围棋的棋盘，以及其所对应的状态（State）－比如当前所对应的棋局。
Agent 需要从 Environment 感知来获取反馈（当前局势对我是否更有利）。
动作 (Actions)
在每个State下，可以采取什么行动，针对每一个 Action 分析其影响。
奖励 (Rewards)
执行 Action 之后，得到的奖励或惩罚，Reward 是通过对 环境的观察得到。
通过强化学习，我们得到的输出就是：Next Action？下一步该怎么走，这就是 AlphaGo 的棋局，你能够想到，对应围棋的 Action 数量吗？
关于强化学习的具体算法，大多从 马尔可夫链 讲起，本节只做普及性说明，后续会考虑对具体算法进行展开。
