传统的机器自学方式主要就是如前所述单各项任务的自学(Single-task Learning)模式展开自学，对于复杂的自学各项任务也可将其分解为数个独立的单各项任务展开自学，然后对自学获得的化解展开组合，获得最终的结果虚拟化自学
的关键就在于寻找各项任务间的亲密关系，假如各项任务间的亲密关系来衡量正确，所以相同各项任务间就能相互提供附加的管用重要信息，利用这些附加重要信息，能体能训练出表现更快、更鲁棒的数学模型反之，假如亲密关系来衡量不正确，不仅不会引入附加的重要信息，反而会给各项任务本身引来噪音，数学模型自学效用持续走高。
当一般而言各项任务的体能训练统计数据集不充分的时候，此时虚拟化自学的效用能有较为明显的提高，这主要就是因为一般而言各项任务无法透过自身的体能训练统计数据集获得关于统计曲线拟合的足够多重要信息假如有数个各项任务联合自学，所以这些各项任务将能从密切有关的各项任务中获得附加的重要信息，因此自学效用将有显著的提高。
目前，虚拟化自学已经在数个领域获得广泛的应用领域，比如说人脸特性的有关科学研究、人类疾病的科学研究、超高速的科学研究等虚拟化自学是机器自学的一个重要组成部分，是北迁自学的一种虚拟化自学作为北迁自学的一个分支有着其自己独有的自学大背景和应用领域。
在给定两个密切有关各项任务的输入统计数据和输入统计数据的情况下，虚拟化自学能发挥各项任务之问的亲密关系，与此同时自学数个数学模型与单各项任务自学较之，主要就有下列两个方面的优势：A.虚拟化自学透过挖掘各项任务间的亲密关系，能获得附加的管用重要信息，大部分情况下都要比单各项任务自学的效用要好。
在有条码样品较为少的情况下，单各项任务自学数学模型往往不能自学获得足够多的重要信息，表现较差，虚拟化自学绝不放弃当前各项任务样品较少的缺点，从其他各项任务里获取管用重要信息，自学获得效用更快、更鲁棒的机器自学数学模型B.虚拟化自学有更快的数学模型普遍化能力，透过与此同时自学数个有关的各项任务，获得的共享资源数学模型能直接应用领域到将来的某个密切有关的各项任务上。
较之于单各项任务自学，上面的优点使得虚拟化自学在许多情况下都是更快的选择现实中有许多适合虚拟化自学的场景，下列譬如说(1).语法处理有关的科学研究，比如说把词义标示、语句语法结构成分划分、命名实体识别、语法角色标示等各项任务放在一起科学研究。
(2).人脸识别中，人脸的特性的科学研究、人脸识别、人脸年龄预测等各项任务也能透过虚拟化自学展开化解(3).图像进行分类，相同光照下、人像、拍摄大背景下等进行分类各项任务的科学研究，也能在虚拟化科学研究的框架下完成除了上述举例的三种相同应用领域之外，现实中还有许多类似的虚拟化自学的例子。
广度自学中的两种MTL方式：(1).如前所述硬约束的虚拟化自学方式，如下图右图：表示的是相同各项任务透过分享许多顶部的层自学许多共计的低阶的特点，为了保证各项任务的独有性，每个各项任务在顶部拥有自己独有的层自学多层面的特点。
此种方式下层共享资源的模块是完全一致的数个各项任务间共享资源互联网的同第二层暗藏层，只不过在互联网的靠近输入层的互联网开始锯齿去做相同的各项任务相同各项任务透过共享资源互联网顶部的第二层暗藏层来自学许多共计的算例低的特点，此种方式的下层共享资源的模块是完全一致的。
与此同时针对各各项任务的特点，各各项任务都设计各自的各项任务独有层来自学算例更高的特点所有各项任务在保留各项任务独有的输入层的与此同时能共享资源许多有关的暗藏层此种虚拟化自学的方式透过平均噪音能有效地降低过插值的信用风险而且有关的各项任务越多，目标各项任务的过插值信用风险越短。
(2).如前所述软约束的虚拟化自学方式，如下图右图：该方式不要求顶部的模块完全一样，而是对相同各项任务顶部的模块展开正则化相对于硬模块约束的虚拟化广度自学数学模型，软约束的虚拟化自学数学模型的约束更加宽松，当各项任务亲密关系不是特别紧密的时候，有可能自学获得更快的结果。
虚拟化广度自学数学模型需要与此同时自学一个适合数个各项任务的互联网构架，一般来说数学模型具有更快的鲁棒性，不容易过插值软约束的虚拟化自学方式是暗藏层模块软共享资源，相同的各项任务使用相同的互联网，但是相同各项任务的互联网模块，采用正则化作为约束，与硬约束的虚拟化自学相同的是，下层的模块不一定完全一致，而是鼓励模块相似化。
为什么虚拟化自学有效：假定有两个有关的各项任务A和B，它们依赖共享资源暗藏层(1).隐式统计数据扩充(Implicit data augmentation)：MTL有效地增加了我们用于体能训练数学模型的样品量由于所有各项任务或多或少存在许多噪音，因此在针对某个各项任务A体能训练数学模型时，我们的目标是获得各项任务A的一个好的表示，忽略与统计数据有关的噪音。
由于相同的各项任务具有相同的噪音模式，因此与此同时自学两个各项任务的数学模型能获得一个更为普遍化的表示假如仅自学各项任务A要承担对各项任务A过插值的信用风险，然而与此同时自学各项任务A和各项任务B则能对噪音模式展开平均，能使数学模型获得更快的表示。
(2).注意力机制(Attention focusing)：假如一个各项任务非常嘈杂或统计数据量有限且维数很高，则数学模型很难区分有关和不有关特点MTL能帮助数学模型将注意力集中在重要的特点上，因为其他各项任务将为这些特点的有关性或不有关性提供更多证据。
(3).窃听(Eavesdropping)：许多特点G很容易被各项任务B自学，但是对于其他各项任务A则很难自学这可能是因为A以更复杂的方式与特点展开交互，或者是因为其他特点阻碍了数学模型自学G的能力透过MTL，我们能允许数学模型展开”窃听”，即透过各项任务B自学G。
最简单的方式是透过”提示”，即直接体能训练数学模型来预测最重要的特点(4).表征偏置(Representation bias)：MTL biases the model to prefer representations that other tasks also prefer。
这也将有助于该数学模型将来普遍化到新各项任务，因为在足够多多的体能训练各项任务上表现良好的假设空间，只要它们来自相同环境，对于自学新各项任务也将表现良好(5).正则化(Regularization)：MTL透过引入归纳偏置(inductive bias)作为正则化项。
因此，它降低了过插值的信用风险以及数学模型的Rademacher复杂度，即插值随机噪音的能力广度自学中的MTL：(1). Deep Relation Networks：如下图右图：计算机视觉中，MTL通常共享资源卷积层，与此同时用全连接层自学特定的各项任务。
透过对各项任务层设定先验，使数学模型自学各项任务间的亲密关系(2). Fully-Adaptive Feature Sharing：如下图右图：一种自下而上的方式，从瘦互联网开始，贪心地动态加宽互联网贪心方式可能无法做到全局最优。
(3). Cross-stitch Networks：如下图右图：用软约束的方式将两个独立的互联网连接起来，然后使用”cross-stitch units”允许数学模型透过线性组合自学前一层的输入(4). Low supervision：主要就应用领域在语法处理(Natural Language Processing, NLP)中，如词义标示、命名体识别等。
(5). A Joint Many-Task Model：如下图右图：由数个NLP各项任务组成分层结构，然后将其作为虚拟化自学的联合数学模型(6). Weighting losses with uncertainty：如下图右图：不考虑自学共享资源结构，采用正交方式考虑每个各项任务的不确定性。
透过如前所述具有各项任务有关不确定性的高斯似然性最大化得出虚拟化损失函数(loss function)，来调整成本函数(cost function)中每个各项任务的相对权重(7). Tensor factorisation for MTL：对数学模型中的每层模块使用张量分解分为共享资源模块和特定于各项任务的模块。
(8). Sluice Networks：如下图右图：该数学模型概况了如前所述广度自学的MTL方式：hard parameter sharing + cross-stitch networks + block-sparse regularization + task hierarchy(NLP)
在北迁自学中，你的步骤是串行的，你从各项任务A中学到的，然后北迁到各项任务B在虚拟化自学中，你是开始自学试图让一个神经互联网与此同时做几件事情，然后希望这里的每个各项任务都能帮到其它所有各项任务例如，在研发超高速车辆，如下图，所以你的超高速车可能需要与此同时检测相同的物体，比如说检测行人、车辆、停车标志、交通灯等其它物体，输入图像x，输入将不是一个条码，而是四个条码，因为四个物体可能与此同时出现在一张图里。
所以你现在能做的是体能训练一个神经互联网来预测这些y值另外你也能体能训练四个相同的神经互联网，而不是体能训练一个神经互联网做四件事，但神经互联网许多早期特点在识别相同物体时都会用到，你会发现，体能训练一个神经互联网做四件事会比体能训练四个完全独立的神经互联网分别做四件事性能会更快，这就是虚拟化自学的力量。
虚拟化自学什么时候有意义：第一，假如你体能训练的一组各项任务，能共用低阶特点；第二，每个各项任务的统计数据量很接近；第三，能体能训练一个足够多大的神经互联网与此同时能做好所有的工作虚拟化自学的替代方式是为每个各项任务体能训练一个单独的神经互联网。
虚拟化自学会降低性能的唯一情况就是你的神经互联网还不够大
