multitask and transfer learning
multitask learning：不同的任務網絡，可以共享一部分網絡結構（比如說某個隱層）
transfer learning：遷移學習
SHL-MDNN
shared-hidden-layer multilingual DNN，用於訓練不同語言的模型，所有的模型共享同一個隱層，輸出層跟語言有關。
共用的隱層可以認爲是一個特徵提取器，最後的輸出層爲分類器。
SHL-MDNN需要多個語言同時進行訓練，一個mini-batch包括多個語言的訓練語料。
試驗表明多語言訓練出來的SHL-MDNN相比單語言訓練出來的DNN性能有提升，共享的隱層訓練在一定程度上面減弱了overfitting問題。
隱層作爲特徵提取器，可以把它對音素的區分性遷移到其他語言上面。
- 如果需要增加一種語言，只需要增加一個輸出層，還是複用前面訓練好的隱層，訓練是固定隱層，只需要訓練最後一層的參數即可
- 如果新增語言的訓練數據比較充足，整體重新訓練效果更好。
- 可以由英語遷移到中文，依然有效
RNN
參考
《automatic speech recognition a deep learning approach》 chapter 12-15
