一、监督学习

有标注数据的学习

1.迁移学习(Transfer learning)

迁移学习(Transfer learning) 顾名思义就是把已训练好的模型（预训练模型）参数迁移到新的模型来帮助新模型训练。
是把一个领域（即源领域）的知识，迁移到另外一个领域（即目标领域），使得目标领域能够取得更好的学习效果。通常，源领域数据量充足，而目标领域数据量较小。

二、非监督学习

无标注数据的学习

三、半监督学习

既有标注数据、又有非标注数据的学习。

1.预训练pretraining

在NLP领域，比如BERT，先在大量的非标注数据上学习（预训练pretraining），然后再在相应的任务上、相应的标注数据上学习（fine-tune）。

2.自训练Self-training

首先是一个teacher模型在标注数据上训练；
然后使用训练后的teacher对未标注数据进行标注，生成伪标签（合成标签）；
最后采用合成标签训练student模型。student模型的大小和teacher相似，或者更大。

有的自训练甚至训练多次迭代，将训练好的student继续作为teacher生成伪标签，又训练一个student模型。

3.知识蒸馏knowledge distillation

Hinton的文章"Distilling the Knowledge in a Neural Network"首次提出了知识蒸馏（暗知识提取）的概念，通过引入与教师网络（teacher network：复杂、但推理性能优越）相关的软目标（soft-target）作为total loss的一部分，以诱导学生网络（student network：精简、低复杂度）的训练，实现知识迁移（knowledge transfer）。

student模型往往比teacher模型小很多。

————————————————
版权声明：本文为CSDN博主「zephyr_wang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zephyr_wang/article/details/119649619