迁移学习
迁移学习（十二）：工业应用与最佳实践
系列收官。把迁移学习推上生产线的实战指南：何时用、如何串成端到端管线、算力与美元的真实账单、四个标杆案例、A/B 测试、生产环境的分布漂移监控，以及 12 个月的 ROI 模型。
迁移学习（十一）：跨语言迁移
从双语词向量对齐讲到 mBERT/XLM-R 多语言预训练，系统拆解零样本迁移、translate-train、translate-test 的取舍，分析迁移差距的来源（语系、文字、资源量），并给出 pivot 策略与可落地的工程建议。
迁移学习（十）：持续学习
从梯度干扰和 Fisher 信息出发推导灾难性遗忘的成因，系统讲解 EWC、MAS、SI、LwF 四种正则化方法，Replay/A-GEM 重放方法，动态架构与三大 CL 场景的差异，并附 Permuted MNIST 上的 EWC 从零实现。
迁移学习（九）：参数高效微调
从低秩适配的数学原理出发，系统讲解 LoRA、Adapter、Prefix-Tuning、Prompt-Tuning、BitFit、QLoRA 等参数高效微调方法，附 LoRA 从零实现与方法选型指南。
迁移学习（八）：多模态迁移
推导对比学习的 InfoNCE 损失与互信息下界，讲透 CLIP 双塔结构、BLIP-2 的 Q-Former 桥接策略、跨模态检索与三种融合范式，并给出可运行的 PyTorch 实现。
迁移学习（七）：零样本学习
从第一性原理推导零样本学习：DAP 属性原型、双线性与深度兼容性函数、DeViSE、生成式 ZSL 的 f-CLSWGAN、广义 ZSL 的偏置问题与校准方法，以及 CLIP 这种视觉-语言预训练带来的范式跃迁，附 PyTorch 核心实现。
迁移学习（六）：多任务学习
多任务学习完全指南：硬/软参数共享、梯度冲突与 PCGrad/GradNorm/CAGrad、辅助任务设计，以及完整的多任务框架实现。
迁移学习（五）：知识蒸馏
把大模型的能力压进小模型而几乎不掉点：暗知识、温度缩放、响应/特征/关系蒸馏、自蒸馏与多策略实现的完整指南。
迁移学习（四）：小样本学习
从极少样本中学会新概念：N-way K-shot 评测协议、度量学习（Siamese、Prototypical、Matching、Relation 网络）、元学习（MAML、Reptile）、Episode 训练范式，以及一份可直接运行的 Prototypical 网络实现。
迁移学习（三）：域适应
域适应实战指南：协变量偏移、标签偏移、DANN 梯度反转、MMD 对齐、CORAL、自训练、AdaBN，以及一份可运行的 DANN 完整实现。
迁移学习（二）：预训练与微调
预训练如何从无标注数据中学到强大的先验，微调如何把它适配到具体任务。涵盖对比学习、掩码语言模型、判别式学习率、层冻结、灾难性遗忘、LoRA，以及一个工业级 BERT 微调实现。
迁移学习（一）：基础与核心概念
迁移学习入门指南：为什么迁移有效、形式化定义、分类体系、负迁移，以及一个基于 MMD 域适应的完整特征迁移实现。