“深度学习一点也不难！”
通常情况下，机器学习尤其是深度学习的使用往往需要具备相当的有利条件，包括一个大型的数据集，设计有效的模型，而且还需要训练的方法——但现在，利用迁移学习就可以消除掉这些瓶颈。

译文：

在不久之前，为了有效地使用深度学习，数据科学团队需要：

· 一种新颖的模型架构，很可能需要自己设计；

· 大型数据集，很可能需要自己收集；

· 大规模训练模型的硬件或资金。

这些条件和设施成为了限制深度学习的瓶颈，只有少数满足这些条件项目才能应用深度学习。

然而，在过去的几年中，情况发生了变化。

我们看到用户开始试用基于深度学习的新一代产品，而且与以往不同的是，这些产品使用的是以前没有出现过的任何一种模型架构。

这种增长背后的驱动力是迁移学习（transfer learning）。

什么是迁移学习？

从广义上讲，迁移学习的思想是专注于存储已有问题的解决模型（例如识别照片中的花朵），并将其利用在其他不同但相关问题上（例如识别皮肤中的黑素瘤）。

迁移学习有多种方法，但其中一种方法——微调法（finetuning）得到了广泛采用。

在这种方法中，团队采用预先训练好的模型，然后通过删除或重新训练模型的最后一层，将其用于新的相关任务。例如，AI Dungeon是一款开放世界的文字冒险游戏，因其AI生成的生动形象的故事而广为传播：

注意，AI Dungeon不是Google研究实验室开发的项目，只是一名工程师构建的黑客马拉松项目。

AI Dungeon的创建者Nick Walton并没有从零开始设计模型，而是采用了最新的NLP模型（OpenAI GPT-2），然后对其进行微调来设置自己的冒险文字。

这种方法完全可行的原因是，在神经网络中，最初几层主要负责简单、通用的特征，而最后几层主要负责与任务有关的分类/回归。Andrew Ng 用一个图像识别模型的例子，以可视化的方式介绍了各层与任务本身的相关性：

事实证明，基础层学习的通用知识通常可以很好地迁移到其他任务上、。在AI Dungeon的示例中，GPT-2对通用英语有良好的理解，只需要对最后几层进行一些重新训练，即可在冒险游戏中给出优异的表现。

每位工程师都可以通过这种流程，在几天之内部署一个模型，以在新的领域实现最新的结果。

为什么迁移学习是下一代机器学习软件的关键？

本文开头我提到了使用机器学习（尤其是深度学习）需要具备的有利条件。你需要一个大型的数据集，需要设计有效的模型，而且还需要训练的方法。

这意味着一般而言，某些领域的项目或缺乏某些资源的项目就无法开展。

如今，我们可以利用迁移学习消除这些瓶颈：

1、小型数据集不再是问题

通常，深度学习需要大量带标签的数据，但在许多领域中，这些数据根本不存在。然而，迁移学习可以解决这个问题。

例如，哈佛医学院附属团队最近部署了一个模型，该模型可以“根据胸部X光片，预测长期的死亡率，包括非癌性死亡”。

他们只有5万张带标签图像的数据集，不足以从头开始训练CNN（卷积神经网络）。于是，他们采用了预先训练好的的Inception-v4模型（该模型在拥有超过1400万张图像的ImageNet数据集上进行了训练），并使用迁移学习和轻微的架构调整，让模型适应了他们的数据集。

最终，他们的CNN成功地使用每位患者的一张胸部图像，生成了与患者的实际死亡率相关的风险评分。

2、模型可在几分钟训练完成

在大量数据上训练模型面临的难题不仅仅是获取大型数据集，还有资源和时间的问题。

例如，当Google开发最尖端的图像分类模型Xception时，他们训练了两个版本：一个在ImageNet数据集（1400万张图像）上，另一个在JFT数据集（3.5亿张图像）上。

即使他们在训练中采用了60个NVIDIA K80 GPU，并进行了各种优化，但每次ImageNet实验的运行都需要3天的时间。而JFT实验耗时一个多月。

如今，经过预训练的Xception模型已经发布了，各个团队可以通过微调更快地实现自己的模型。

例如，伊利诺伊大学和阿贡国家实验室的一个团队最近训练了一个模型，将星系的图像分类为螺旋形或椭圆形：

尽管只有3万5千张带标签的图像数据集，但他们仍能够使用NVIDIA GPU，在短短8分钟内对Xception进行微调。

这样得到模型在GPU上运行时，能够以每分钟超过2万个星系的惊人速度，并以99.8%的成功率对星系进行分类。

3、不再需要风险资本来训练模型

当初Google花费数月在60个GPU上训练一次Xception模型时，可能他们并不在乎成本。但是，对于没有那么多预算的团队来说，训练模型是非常现实的问题。

例如，当OpenAI首次公布GPT-2的结果时，由于担心滥用，他们只发布了模型架构，却未发布完整的预训练模型。

之后，布朗大学的一个团队按照论文陈述的架构和训练过程试图重现GPT-2，并命名为OpenGPT-2。他们花了大约5万美金进行了训练，但性能仍不及GPT-2。

5万美金的投入却未能训练出性能过关的模型，对于没有充裕资金的生产软件团队来说都是巨大的风险。

幸运的是，迁移学习可以显著降低成本。

当初Nick Walton构建AI Dungeon时，他对GPT-2进行了微调。OpenAI已经投入了大约27,118,520页文本和数千美元来训练模型，所以Walton坐享其成就可以了。

机器学习工程的生态系统正在建设中

回顾软件工程，我们会发现生态系统的“成熟”过程通常都有极其相似的模式。

首先是一门新语言的出现，而且还拥有令人兴奋的功能，然后人们将这门语言用于某些特别的场景，或者用于研究项目和业余爱好。在这个阶段，任何使用这门语言的人都必须从零开始构建所有的基础实用程序。

接下来，社区会开发库和项目，将常见的实用程序抽象化，直到这些工具的功能足够强大，足够稳定，能用于生产。

在这个阶段，使用这门语言来构建软件的工程师不必再担心发送HTTP请求或连接到数据库等问题（所有这些都已被抽象化），只需专心构建产品即可。

换句话说，Facebook构建React，Google构建Angular，而工程师们则可以利用这些框架来构建产品。而这一过程在机器学习中就是迁移学习。

随着OpenAI、Google、Facebook和其他科技巨头发布强大的开源模型，面向机器学习工程师的“工具”会越来越强大，越来越稳定。

机器学习工程师不再需要花时间使用PyTorch或TensorFlow从头开始构建模型，他们可以利用开源模型并通过迁移学习来构建产品。

机器学习软件的新时代即将到来。如今，机器学习工程师只需专心思考如何将这些模型投入生产。

作者：Caleb Kaiser