ICML2018所接收的论文的研究主题非常多样，涵盖深度学习模型/架构/理论、强化学习、优化方法、在线学习、生成模型、迁移学习与多任务学习、隐私与安全等，

1.简介2.图像识别相关技术2.1视觉模式识别2.1.1特征描述与不变性2.1.2模型选择与泛化性能2.2卷积神经网络2.2.1神经网络简介2.2.2卷积神经网络发展2.2.3卷积神经网络的计算2.3迁移学习与多任务学习

摘要：本文简要介绍迁移学习与多任务学习的思想，给出了两种方法的模型示例图，适合对此感兴趣的初学者。对于深度学习而言，训练网络这一过程是相当乏味的，需要不断根据实验结果调整网络结构和模型。

对于深度学习而言，训练网络这一过程是相当乏味的，需要不断根据实验结果调整网络结构和模型。相对于随机初始化后调参而言，有没有更加高效的方式呢？答案是肯定的。一些科研人员发现，将其它训练好的模型重新应用于另外一个任务，或者是将相同的网络模型应用于多任务中，模型性能可能会更好。本文将讨论这两种重要方法——迁移学习（TransferLearning）和多任务学习（Multi-taskLearning）。迁

TransferLearning与DistributedRL概述一、迁移学习与多任务学习1.1术语1.2ForwardTransfer1.2.1Hopeforthebest1.2.2Fine-tuneonthenewtask1.2.3RandomizeSourceDomain1.2.4DomainAdaptation1.2.5ForwardTransferSummary1.3Multi-taskT

ICML2018所接收的论文的研究主题非常多样，涵盖深度学习模型/架构/理论、强化学习、优化方法、在线学习、生成模型、迁移学习与多任务学习、隐私与安全等，在本文中，腾讯AILab的研究者结合自身的研究重心和研究兴趣对部分

摘要：本文简要介绍迁移学习与多任务学习的思想，给出了两种方法的模型示例图，适合对此感兴趣的初学者。对于深度学习而言，训练网络这一过程是相当乏味的，需要不断根据实验结果调整网络结构和模型。