实际应用中很多任务的数据的标注成本很高，无法获得充足的训练数据，这种情况可以 使用迁移学习（transfer learning）。假设 A、B 是两个相关的任务，A 任务有很多训练数 据，就可以把从A任务中学习到的某些可以泛化知识迁移到B任务。

        目前为止，我们学习了很多深度学习的模型，所以训练一个分类器比较简单，比如要训练 数字的分类器，给定训练数据，训练好一个模型，应用在测试数据就结束了。

        数字识别这种简单的问题，如图1所示，在基准数据集MNIST 上能做到 99.91% 的正确率。但测试数据和训练数据的分布不一样时会导致一些问题。假设训练时数字是黑白的，但测试时数字是彩色的。常见的误区是：虽然数字的颜色不同，但对于模型，其形状 是一样的。如果模型能识别出黑白的图片中的数字，其应该也能识别出彩色图片的数字。但实际上，如果使用黑白的数字图像训练一个模型，直接用到彩色的数字上，正确率会非常低。 MNIST 数据集中的数字是黑白的，MNIST-M 数据集中的数字是彩色的，如果在MNIST 数据集上训练，在MNIST-M数据集上测试，正确率只有52.25%。一旦训练数据跟测试数据分布不同，在训练数据上训练出来的模型，在测试数据上面可能效果不好，这种问题称为领域偏移（domain shift)。

         图1 数据分布不同导致的问题

        领域偏移其实有很多种不同的类型，模型输入的数据分布有变化的状况是一种类型。另 外一种类型是，输出的分布也可能有变化。比如在训练数据上面，可能每一个数字出现的概率 都是一样的，但是在测试数据上面，可能每一个数字输出的概率是不一样的，有可能某一个 数字它输出的概率特别大，这也是有可能的。还有一种比较罕见状况的类型是，输入跟输出 虽然分布可能是一样的，但它们之间的关系变了。比如同一张图片在训练数据里的标签为“0”， 但是在测试数据的标签为“1”。

        接下来我们专注于输入数据不同的领域偏移。如图2所示，接下来我们称测试数据来 自目标领域（target domain），训练数据来自源领域（source domain），因此源领域是训练数 据，目标领域是测试数据。

图2 源领域与目标领域

        在基准数据集上学习时，很多时候无视领域偏移问题，假设训练数据跟测试数据往往有 一样的分布，在很多任务上面都有极高的正确率。但在实际应用时，当训练数据跟测试数据有 一点差异时，机器的表现可能会比较差，因此需要领域自适应来提升机器的性能。对于领域自适应，训练数据是一个领域，测试数据是另外一个领域，要把某一个领域上学到的信息用到另 外一个领域，领域自适应侧重于解决特征空间与类别空间一致，但特征分布不一致的问题。