1.导语
在真实的机器学习项目中，我们的训练数据集与测试数据集之间是存在一定数据分布差异的，这个时候往往模型会出现过拟合的情况，模型在测试集上的效果不是很理想。
那怎么样在不改变数据集的情况下，提升测试集准确率呢。这个时候就有了迁移学习的一种代表方法，域自适应（Domain adaptation）。
另外在迁移学习中又分样本迁移、特征迁移和模型迁移，其中模型迁移学习与fine-tune（微调）有一些不同的地方：
虽然二者都是利用训练过的模型来解决问题，但实际上存在一些差异：
fine-tune（微调）：是对已经训练好的模型，把整个这个模型放到另一个数据集上继续进行训练（其中参数继续发生变化）
迁移学习：提取模型中所需要的部分层，对这些层进行冻结（固定层的参数）在冻结层后增加新的训练层，最后完成训练。
fine-tune是继续更新模型的参数，迁移学习是固定一部分参数，训练更新一部分参数。
2.Domain adaptation
域自适应方法，通常表示域不同，但任务相同的方法，这里域代表一个数据集的集合。
什么样子的域（数据集），可以适合来做域自适应呢
通常我们的源域（与测试样本不同的数据集，也可以说是训练集）数据集有标签，目标域数据（测试集）没有标签或者很少数据有标签
2.1 Domain adaptation思路
定义源域（训练集）：source
定义目标域（测试集）：target
主要的思路就是将source训练好的模型能够用在target上，域适配问题最主要的就是如何减少source和target不同分布之间的差异。域适配包括无监督域适配和半监督域适配，前者的target是完全没有label的，后者的target有部分的label，但是数量非常的少
通过在不同阶段进行领域自适应，研究者提出了三种不同的领域自适应方法：
- 样本自适应：对源域样本进行加权重采样，从而逼近目标域的分布。
- 特征层面自适应：将源域和目标域投影到公共特征子空间。
- 模型层面自适应：对源域误差函数进行修改，考虑目标域的误差。
2.2 样本自适应
样本自适应也可以说是样本迁移。
基本思想：
- 通过对source，进行重采样，在source里找到与target相似的数据，命这些相似数据为新的source。
- 把source数据的数据量，量权值进行调整，使其这些数据与target数据分布基本一致，如下图所示：
- 也可以对source的数据集进行数据增强，在图像中，可以对图像进行旋转，缩放，白噪声等。
优点缺点：
- 优点：方法简单，容易
- 缺点：权重选择与数据相似度衡量标准难定
2.3 特征自适应
特征自适应也可以说是特征迁移，
基本思路：
通过构建特征提取网络，训练网络模型，使模型能够提取出source与target的共同特征部分，相似的数据分布。如下图所示，我们输入source和target数据集
最后得到的特征数据分布相似。
如上图，特征提取器可以看成GAN中的generator，domain classifier就是GAN中的discriminator，我们的目的，就是找到一个特征提取器，能够使训练集与测试集的特征分布，几乎一样的，可以骗过domain classifier。
这里的提取器要做的是让生成的特征难以分辨出（也就是说让训练集和测试集的特征很相似），classifier是要努力分辨他们（我们通过classifier的反馈，进一步优化提取器），这样才能让提取器更好工作，我们最后要的是提取器。
下图为不同source和target数据集下，只有source和加入了target训练下的结果。
优缺点：
- 优点：大多数方法适用
- 缺点：在于难于求解，容易发生过适配
2.4 模型自适应
模型自适应就是最常用的迁移学习方式，模型迁移。
基本思想：
通过已经训练好的模型，将模型放入到一个新的领域数据集中训练
固定住模型部分层（不改变层的结构，以及参数）
更改部分模型层，（初始化这些层的参数，可能也会改变层的结构）
训练模型
如下图案例一样，模型2固定住了模型1前二层的“是否是火影”，“是否是男性”的层和参数，我们在模型2中改变了模型1后二层的层和参数，模型2就可以完成识别是不是“傻死给”的模型。
