Progressive NN
Progressive NN是第一篇我看到的deepmind做这个问题的。思路就是说我不能忘记第一个任务的网络，同时又能使用第一个任务的网络来做第二个任务。
为了不忘记之前的任务，他们的方法简单暴力：对所有的之前任务的网络，保留并且fix，每次有一个新任务就新建一个网络（一列）。
而为了能使用过去的经验，他们同样也会将这个任务的输入输入进所有之前的网络，并且将之前网络的每一层的输出，与当前任务的网络每一层的输出一起输入下一层。
每次有一个新的任务，就重新添加一列，然后将前几列的输出fuse到当前列来。
比如说，如果两个任务的low level特征类似，则当前任务网络中的前几层可能完全没有用处，只需要用之前任务的输出就够了。
但是一个很明显的问题是，这个网络不能学到自己的low level feature的网络，然后使用之前网络的high level决策。因为1，当low level不一样的时候，将输入输入之前的网络就不make sense了；更重要的是，当前列的输入根本无法输入进之前列的网络，只复用高层网络根本无从谈起。
所以这里的限制就是，两个任务需要有类似的low level feature。当然啦，这篇文章还是有很酷的视频，也确实用到了一些任务上。
就是：
Step 1：构造一个多层的神经网络，训练某一个任务，上图第一列
Step 2：构建第二个多层的神经网络，然后固定第一列也就是上一个任务的神经网络，将上一列的神经网络的每一层（注意是每一层）都通过a处理连接到第二列的神经网络的每一层作为额外输入。也就是第二个神经网络每一层除了原始的输入，还加上经过a处理的之前的神经网络对应层的输入。
Step 3：构建第三个多层神经网络，训练第三个任务，将前两列的神经网络固定，然后同上一样的方法连接到第三个神经网络中。
上图的线很清楚的表示了这个过程。
这就是把神经网络和神经网络连起来的方法！
a的作用其实主要是为了降维和输入的维度统一（与原始输入匹配），用简单的MLP来表示！
除此之外，增强学习算法没有任何变化。文章中使用A3C算法，一个比DQN强4倍的算法！
总的来说，就是抽取之前的神经网络的信息与当前的输入信息融合，然后训练！训练的效果就可以和没有加前面的神经网络的方法对比，如果效果好很多说明前面的神经网络有用，知识有迁移！
这种方法的好处就是之前的训练都保留，不至于像fine tune那样更改原来的网络！而且每一层的特征信息都能得到迁移，并且能够更好的具化分析。
缺点就是参数的数量会随着任务的增加而大量增加！并且不同任务的设计需要人工知识。
京公网安备 11010502036488号