课程背景

通用人工智能（articial general intelligence/AGI）至今看起来仍然是一个遥不可及的技术圣杯。迁移学习则是实现它的重要一环，它可以把在A任务上学习到的本领迁移到B领域中去。但是，如何进行大规模迁移学习仍然是未解决的问题。近日，一直研究成果不断的 DeepMind 又在 arXiv 上发布了一篇也许向这个方向迈进了一步的新论文，该论文提出了一种 PathNet，宣称能够实现某种巨型神经网络（giant neural network），并结合遗传算法技术实现大规模的迁移学习。

这种巨型神经网络允许参数复用，并且不会遗忘太多东西，如果多个用户训练同一个巨型神经网络，那么这对通用人工智能而言将是高效的。PathNet 是在这个方向上迈出的第一步。

那么PathNet巨型神经网络的构架是怎样的？如何对它进行训练？它在监督学习的分类任务中表现如何？它又是怎样应用在增强学习任务中的？你将在本节课程中找到答案。

课程目的

学完本课程，你能做到

• 了解PathNet是如何试图去逼近通用人工智能的，以及它取得了怎样的成果

• 熟悉PathNet的模型构架

• 熟悉它在有监督学习领域的应用

• 了解PathNet与A3C在强化学习任务下的不同表现

课程详情

在本讲解中，我们从如下方面介绍了PATHNET：

• 什么是PATHNET？它是如何进行训练的？

• PATHNET的构架

• PATHNET在有监督学习领域的应用：

• 在二分类问题、MINIST、Cifar & SVHN分类应用的效果表现

• PATHNET与A3C构架结合在增强学习任务下的表现：

• ATARI & LABYRINTH 游戏效果演示

• 结果分析对比