这可能看起来不是微不足道的，但是是的，我们训练的模型可能会学习到他们不打算学习的各种东西。计算机视觉领域已经有一些例子。典型的卷积网络在早期层学习边缘检测、各种可能有用的掩码等内容，而在较高层学习更多高级特征，如眼睛、鼻子等。

也很合理。鉴于数据集大小适中，并且模型训练的时间足够长，足够深的网络可以学习各种隐藏表示，这些表示甚至可能不是特定于手头的任务。这就是迁移学习即使在许多不同的数据集上也能很好地工作的原因。

这是有限的，因为并非所有可学习的东西都可以用数学来描述。所以，答案是一个令人惊讶的否定。除了手头的任务之外，该模型确实学习了一些额外的东西。

PS：还有一个案例是一群研究人员训练了一个模型让机器人走路。事实证明，机器人也学会了识别面孔，并且在看到不同的面孔时会以不同的方式做出反应。不久前我在 YouTube 上看到了该视频，但无论如何都找不到在此处发布链接的确切视频。