想要释放模型的威力，可以尝试解放其输入的自由度，要知道，婴儿对外界各种形式信息从来都是来着不拒 — David 9
如果你没看到过老虎坐着的样子，但是你看到过其他小动物坐着的样子，你很自然地联想到老虎坐着应该是什么样子（如上封面图片所示）。
然而要让模型跨类转换图像，就没有那么容易，英伟达&&康奈尔大学使用的FUNIT模型的图像生成任务如下：
随意抽取一张原内容图片（Content image）, 同时给出你想要转换到的目标类别（Target class），最后，需要由模型把原图片转换成目标类别的独特属性。如果你有一张小狗的图片，模型可以为你联想这只小狗“进化”成狮子会是什么样？ 继续阅读更自由的GAN图像联想：无监督跨类的图像转换模型FUNIT，英伟达&&康奈尔大学
特征工程的下一步可能是如何直接操控特征（同域或不同域），而不仅仅是特征选择或特征过滤 — David 9
相信很多初学迁移学习的朋友心里一直有个疑问：迁移学习的模型真的对新应用效果也好吗？更好的迁移模型，在其他应用上表现效果也更好吗？
根据Google Brain在CVPR 2019的研究总结，今天David偷懒一次，只说结论：
答案很大程度上是肯定的！Google Brain的大量实验证明，无论是把神经网络倒数第二层直接拿出来做预测，还是把预训练模型对新应用进行“二次训练”，好的imagenet预训练模型普遍有更好的迁移学习效果：
如上，左图是直接把网络倒数第二层特征直接拿出来进行迁移学习（使用Logistic Regression），右图是在新应用上find-tuned的迁移学习表现。可以注意到，只要是模型本来表现就好（横左标），迁移的效果就更好（纵坐标）。从性能最差的MobileNet到性能最好的Inception-ResNet无一例外。
但是，迁移学习并不是就无敌了。 继续阅读CVPR2019:好的模型，迁移学习效果就更好吗？Google Brain最新结论
