1，一，什么是学习迁移？迁移的种类有哪些
学习迁移是指一种学习对另一种学习的影响，或习得的经验对完成其他活动的影响。迁移广泛存在于各种知识、技能与社会规范的学习中。教育心理学所研究的学习迁移是狭义的迁移，特指前一种学习对后一种学习的影响或者后一种学习对前一种学习的影响。顺向迁移：先前的学习对后来学习的影响。例如：温故知新，举一反三，前摄抑制；逆向迁移：后来的学习对先前学习的影响，学习了微生物后，对先前学习的动物、植物的概念理解会发生变化，倒摄抑制，循序渐进。扩展资料影响条件：1、学习材料的共同因素，学习迁移的效果在一定程度上取决于学习材料之间的共同因素。由于材料之间存在着共同的因素，就会产生相同的反映，因而在学习中就会产生不同程度的迁移。2、对学习材料的概括水平，概括是迁移的基础。在解决问题时，为了实现迁移，必须把新旧课题联系起来并包括在统一的分析综合活动中。3、教材的组织结构和学生的认知结构，教材是学生学习的基本材料，其科学的基本结构有助于学习的迁移。布鲁纳认为，基本结构的概念包括学科的基本知识结构和学习态度、学习方法两方面。参考资料来源：百度百科——学习迁移
2，什么是迁移学习 这个领域历史发展前景如何
什么是迁移学习 (Transfer Learning)？这个领域历史发展前景如何？
Transfer learning 顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练数据集。就跟其他知友回答的那样，考虑到大部分数据或任务是存在相关性的，所以通过transfer learning我们可以将已经学到的parameter 分享给新模型从而加快并优化模型的学习不用像之前那样learn from zero.
比较标志性的例子是Deepmind的作品 progressive neural network. https://arxiv.org/pdf/1606.04671v3.pdf 文章里将三个小游戏Pong, Labyrinth, Atari 通过将已学其一的游戏的parameter 通过一个 lateral connection feed 到一个新游戏。外墙可以看youtube的演讲视频： https://www.youtube.com/watch?v=aWAP_CWEtSI 知乎的一个主页也写的比较清楚：最前沿：从虚拟到现实，迁移深度增强学习让机器人革命成为可能！ - 智能单元 - 知乎专栏
至于发展前景，我们可以这么想。
Deep learning 可能不一定是通往meta learning的唯一路径，但非常有可能是一个可行的方法。我和领域其他的朋友讨论这个问题后，得到以下这么几个general 方向分解了meta learning。
Dynamic learning. 标志作品是AlphaGo，或者也称reinforcement learning， 能通过非暴力的方法对一些非常复杂的且定义模糊的任务有着全局观的理解，以此来take action 最大化获得reward。这块我并特别熟悉所以不详细解释来误导大众了。相关文章：Human-level control through deep reinforcement learning : Nature : Nature Research ， http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html
Transfer learning / progressive (continual) learning. 就如刚才所说的，现在所有的deep learning模型都是learn from scratch 而并不像人类一样，可以很快速的上手一些类似的游戏，或者永远不会忘掉骑自行车那样的特征。所以一定程度的share parameter是非常必要的，不仅加速模型的训练还可以节省内存避免对已有类似的问题重复学习。
One/zero-shot learning. 现在在vision领域里，基本上所有的recognition和classification task都需要大量的数据集。而事实上，人类并不是通过这样的方式去认识一个新事物。比如说，当人类看到一个恐龙的图片，之后给的恐龙多么古怪，毛发，颜色，特征都不一样，但是人类依然可以相当轻松的知道这是恐龙。或者说， 通过已学到的特征，我们通过文字描述，这是一只白色的毛茸茸的兔子，我们自己脑子里就可以大致想象出他的样子。所以在recognition和classification task里还有很大的提升空间。相关文章：http://vision.stanford.edu/documents/Fei-FeiFergusPerona2006.pdf, https://arxiv.org/pdf/1605.06065v1.pdf
Generative learning. 或者俗称举一反三。现在已有的作品：Variational autoencoder (VAE)，generative adversarial network (GAN) 通过将probabilistic graphical model与Bayesian stat和deep learning相结合，把所有数据看做一个概率分布，而deep learning是用来学习概率分布的参数，最后通过sample分布在得到一个类似数据集里的数据但并不完全相等的新数据。同样是DeepMind，最近发布的WaveNet就是通过generative model来学习人声，demo可见：https://deepmind.com/blog/wavenet-generative-model-raw-audio/.
Hierarchical learning. (?) 这块纯粹想象，并没有任何paper出现。大致想法是希望model能跟人类一样从1+1=2 慢慢学会微积分。从而真正达到强人工智能。
上述前面四个方向都有paper和相关研究，但是都并未发展完全，而且相互依赖。并且我相信，NLP也会和vision converge，因为类似generative learning 和 zero-shot learning他们需要互相利用对方的结果才能继续发展。
路漫漫其修远兮，吾将上下而求索。大家一起为meta learning而努力吧。
3，什么是迁移学习 这个领域历史发展前景如何
Transfer learning 顾名思义就是就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练数据集。就跟其他知友回答的那样，考虑到大部分数据或任务是存在相关性的，所以通过 transfer learning 我们可以将已经学到的 parameter 分享给新模型从而加快并优化模型的学习不用像之前那样 learn from zero.比较标志性的例子是 Deepmind 的作品 progressive neural network. https://arxiv.org/pdf/1606.04671v3.pdf 文章里将三个小游戏 Pong, Labyrinth, Atari 通过将已学其一的游戏的 parameter 通过一个 lateral connection feed 到一个新游戏。外墙可以看 youtube 的演讲视频： https://www.youtube.com/watch?v=aWAP_CWEtSI 知乎的一个主页也写的比较清楚：最前沿：从虚拟到现实，迁移深度增强学习让机器人革命成为可能！
4，“学习迁移”是什么意思？
即一种学习对另一种学习的影响，它广泛地存在于知识、技能、态度和行为规范的学习中。任何一种学习都要受到学习者已有知识经验、技能、态度等的影响，只要有学习，就有迁移。迁移是学习的继续和巩固，又是提高和深化学习的条件，学习与迁移不可分割。实质：学习迁移的实质，是指一种学习对另一种学习的影响，或习得的经验对完成其他活动的影响。
5，关于知识迁移与学习迁移？
所谓知识迁移法就是利用新旧知识间的联系，启发学生进行新旧知识对照，由旧知识去思考、领会新知识，学会学习的方法。一种学习中习得经验对其他学习的影响，在心理学上称之为学习的迁移。这种作用有时是积极的，有时是消极的。凡一种学习对另一种学习起促进作用的称为正迁移（以下简称迁移），一种学习对另一种学习起干扰或抑制作用的称为负迁移。数学知识、技能，数学思维方法都可产生迁移作用。根据不同的维度，对学习迁移可有不同的分类办法。如前所述数学学习迁移有正、负和顺向、逆向迁移之分。除此之外，按迁移的方向将迁移分成了纵向迁移和侧向迁移，前者指低级的概念或规则向高级的概念或规则的迁移，比如掌握了一元一次方程的解法有助于学习解一元二次方程。从以上论述我们不难看出，正迁移能够有力地促进学生的学习，然而，在实际的教学过程中，还有一些影响迁移的因素，但这同时也给我们的数学教育提供了诸多启示。
6，迁移 学习方法
如何使用迁移学习你可以在自己的预测模型问题上使用迁移学习以下是两个常用的方法1. 开发模型的方法2. 预训练模型的方法开发模型的方法1. 选择源任务。你必须选择一个具有丰富数据的预测建模问题，它的输入数据、输出数据以及从输入数据和输出数据之间的映射中学到的概念之间有某种关系，2. 开发源模型。然后，你必须为第一个任务开发一个精巧的模型。这个模型一定要比普通的模型更好，以保证一些特征学习可以被执行。3. 重用模型。然后，适用于源任务的模型可以被作为目标任务的学习起点。这可能将会涉及到全部或者部分使用第一个模型，这依赖于所用的建模技术。4. 调节模型。模型可以在目标数据集中的输入输出对上可选择地进行微调，以让它适应目标任务。预训练模型方法1. 选择源模型。一个预训练的源模型是从可用模型中挑选出来的。很多研究机构都发布了基于超大数据集的模型，这些都可以作为源模型的备选者。2. 重用模型。选择的预训练模型可以作为用于第二个任务的模型的学习起点。这可能涉及到全部或者部分使用与训练模型，取决于所用的模型训练技术。3. 微调模型。模型可以在目标数据集中的输入输出对上可选择地进行微调，以让它适应目标任务。第二种类型的迁移学习在深度学习领域比较常用。深度学习中使用迁移学习的例子下面用两个常见的例子来具体写一下深度学习模型中的迁移学习使用图像数据进行迁移学习在使用图像作为输入的预测建模问题中应用迁移学习是很常见的。可以是一个使用图像或视频作为输入的预测问题。对于这种类型的问题而言，使用为大规模的挑战性图像数据集上的预训练的模型是很常见的做法，例如 ImageNet(1000 类图像分类挑战赛的数据集)。为这个竞赛开发模型的研究组织通常会将最终模型发布出来，并且具备重新使用的许可。这些模型的训练一般会耗费几天到几星期不等的时间，这取决于所用的硬件环境。这些模型可以直接下载到，它们将图像作为输入
精华总结
雨露，是万物生长的灵丹妙药，它能让万物欣欣向荣，给人带来希望和欢乐。起名，是给孩子取名最重要的一步，因为名字，在某种程度上就是一种文化。一个好的名字，可以让孩子从小拥有一个好的起点。那么，旸字取名呢，有着什么样的寓意及含义？
1、旸是五行金之字，五行属水，寓意孩子聪明机智，有大智慧，富有爱心。
根据五行属性来取名，金能克水，就像是金被水淹没了，所以会出现水变少，阳气不充足的情况。而旸字五行属水，表示有希望的样子，寓意孩子聪明机智，有大智慧，富有爱心，有爱心之义，对人非常友好，人缘非常好。由于在起名时需要注意五行八字，所以名字要避开太多不利因素。例如孩子取名为旸这个名字时，可选择五行属金且与水相冲或水火相济或金水相济等字面寓意相搭。
2、旸字是木之金之字，五行属木，为金之态，寓意孩子金木水火土五行协调，和谐发展。
雨露的滋润，日出而作，日落而息，都让人感到无比满足。旸，字音shèng,寓意着孩子有一颗包容和感恩之心。这与“日出而作、日落而息”有异曲同工之妙……旸给人带来欢乐、吉祥的同时，也寓意着孩子金木水火土协调发展……
3、旸是一种很有灵性的字，可形容孩子生机勃勃，乐观向上。
【旸】有光明、温暖、明朗的意思，可用作名字。【阳凯是太阳之意。【阳阳阳】阳代表明亮，阳代表光明及温暖。用阳代表光明的事物，表示孩子生机勃勃，乐观向上。【阳欣可表示欣欣向荣之意。【阳和】可表示温暖的意思。
4、旸字取名，寓意孩子乐观向上，对生活充满希望。
旸字寓意孩子乐观向上，对生活充满希望，乐观积极的生活态度，有助于提高孩子的自信心。另外旸字取名还有着积极向上、乐观开朗、吉祥幸福、生活美满、幸福美满等美好祝愿，其寓意吉祥。而且旸在中国汉字里是非常多见的一个字，我们可以将这个字用在名字中来表达。旸字取名代表着孩子未来很美好而充满希望。如果将其用于起名中，则代表着孩子未来会有很多希望。同时也象征着孩子将来会有所成就。
5、旸作为名字有吉祥富贵之意。
旸这个名字，在很早的时候就被赋予了吉祥富贵的寓意，因为它在名字中的意思很多。所以有很高的吉祥富贵之意。这个名字将孩子命名为【旸】具有美好的寓意。
