bikaacgn@gmall.com

迁移学习，是我们人类非常熟悉的学习方式。如果我们学会了骑自行车，很容易就能学会骑摩托车。这种能力的迁移，使得我们学了一件事，就会举一反三，去学很多其他的事情。而计算机在深度学习的场景下，是怎么实现这个过程的呢？假设我们已经把蓝色的模型建得非常完美了，有一个新的红色任务还没有足够的数据和标注，模型也建得不好。如果我们能够把两者联系起来，就可以很自如地从蓝色迁移到红色，就实现了迁移学习的效果。

比如负责保障各类车辆的主要是霍尼韦尔公司，他们跟国防部签订了为期10年的总价7亿美元合同，在这里有600名公司员工，通常需要2-3个月能完成一艘船上的所有车辆、装备的维修和更换。全部装备加到一起差不多5万7000吨。主要是对车辆发动进行检查，更换润滑油等各种液体、电池、易损件和老化件。

南方基金：降准有利于经济企稳 提升市场风险偏好本次普降+定向降准基本在预期之内。按照此前的惯例，国常会提出要利用降准支持实体融资之后，一般一周之内央行就会实施降准。本次普降0.5个百分点，定向降准1个百分点，合计释放流动性约9000亿。降准幅度也不算超预期。

责任编辑：杨群参考消息网6月1日报道 外媒称，奥地利数学家宣称巴西和德国拥有更高几率在本届世界杯夺冠，同时他还通过科学解释了为何巴西或德国最有可能最终夺冠的原因。据英国《每日邮报》网站5月30日报道，这位奥地利数学家根据无数次基于大量投注赔率的计算发现，巴西和德国是并驾齐驱的世界杯夺冠热门。专家表示巴西夺冠的概率是16.6%，卫冕冠军德国队紧随其后，为15.8%。

06从数据堆积模型，到模型传递数据总的来说，联邦学习是指，每一个本地就像一个个联邦社会里的国家一样，可以保留自己的数据，但是要参与到联邦里进行共同计算，来建立一个更好的模型。我们可以用联邦学习的方式，建设整个数据模型的过程，同时使得各个数据集之间看不到对方的数据，充分实现数据的保密性。在过程当中有很多数学的表达，其中一个很重要的表达是，在两边进行模型传递的时候，数据不可以被反向工程模拟出来。以前的深度学习需要把数据堆到一起来建模，而联邦学习就是数据不动，而模型在动，让模型在数据集之间传递。在模型传播的过程中，可以规避在接到新模型时，把其他数据重造出来的风险。这是一种全新的思维，也是在目前严监管的状态下能够挽救深度学习、挽救AI的一个技术方案。所以我们做了这么一系列的尝试，研究了一系列的算法。同时还产生了一个很重要的副产品——比如我有多家银行的数据，还可以在保密的前提下发掘出多方借贷的情况。在过去，需要把多方数据加以重叠，才能发现多方借贷情况。用联邦学习的方式，就不需要这么麻烦，可以自动发现并且不暴露各自数据的隐私。同时，我们可以把前面讲的迁移学习引入两个模型中，使得模型之间不仅可以做联邦学习，同时可以把数据加以迁移，到最后同时壮大两边的数据。在这个方向上，目前我们是世界领先的。现在我们还提出了一系列的专利，标准也正在建立，在学术上也建立了一系列新的算法。

三季报显示，欧菲科技拥有货币资金6.73亿元，同比减少57.72%，公司称主要因为固定资产投资增加以及向供应商支付货款的增加。截至三季度末，欧菲科技流动负债合计216.65亿元，其中，短期借款金额为53.30亿元，一年内到期的非流动负债金额为19.92亿元。