目录

1.单一数字评估指标(a single number evaluation metric)

有时候要比较那个分类器更好，或者哪个模型更好，有很多指标，很难抉择，这个时候就需要设置一个单一数字评估指标。

例1：比较A，B两个分类器的性能，有精确率(Precision)和召回率(Recall)两个指标，难以抉择，F1分数(F1 Score)就是一个单一数字评估指标，兼顾了Precision和Recall，。

例2：比较下面几个算法，Average也是一个单一数字评估指标。

2.迁移学习(Transfer learning)

从一个已经训练好的神经网络中学习到的知识，应用到另一个神经网络中。

例：从一个识别猫的神经网络中，有很多低层次的特征(low level features)，比如边缘检测、曲线检测，可以将这些知识应用到放射科诊断的神经网络。

迁移学习什么时候有意义？(任务A->任务B)

①两个任务(神经网络)有相同的输入，比如都是图片或音频。

②往往任务A的训练数据很多，任务B的训练数据没有很多。

③任务A的神经网络的低层次特征对任务B是有用的。

3.多任务学习(Muti-task learning)

让神经网络同时做几件事情。

例：无人驾驶汽车，需要同时检测不同的物体，比如行人、车辆、停车标志、交通灯。如果要检测这四种物体，每一个训练样本的标签是一个4x1的向量。

多任务学习什么时候有意义？

①这些任务有共同的低层次特征(shared lower-level features)。

②每个任务的训练数据差不多。

4.端到端的深度学习(end-to-end deep learning)

传统的学习系统，需要多个阶段的处理过程，端到端的深度学习就是忽略这些阶段，仅用单个神经网络代替它。

例1：语音识别(speech recognition)。

传统方法：输入一段音频，提取低层次特征，从音频片段中找到音位，将音位串起来形成单词，最后构成音频的听写文本。

端到端：用一个神经网络，输入是一段音频，输出直接是听写文本。

例2：人脸识别(face recognition)。

一般分两步。第一步，检测器查找人脸位置，找到并提取人脸图片，然后，放大，剪裁，让人脸居中。第二步，将人脸图片喂进神经网络，判断人的身份。

例3：机器翻译(machine translation)，比如英语->法语。

传统方法：拿到英语文本，文本分析，从文本中提取特征...

端到端：用一个神经网络，输入是英语文本，输出直接是法语文本。如今收集大量这种(英文，法文)的数据对也很容易。

优点：简化整个设计流程，不需要中间的那些手工设计组件(hand-designing of components)。

缺点：需要大量数据来训练。排除了那些可能有用的手工设计组件。