所谓迁移学习，就是将一个问题上训练好的模型经过简单的调整使其适用于一个新的问题。学习
“为了偷懒, 在训练好了的模型上接着训练其余内容, 充分使用原模型的理解力”。 有时候也是为了不再次花费特别长的时间重复训练大型模型。图片
CNN一般都是大型模型，下面咱们拿CNN来举个例子，假设已经训练好一个区分男人和女人的CNN模型。如今来了个任务，让区分图片中人的年纪。这看似不相干的两个模型，可是咱们可使用迁移学习。由于以前那个模型对人类有了理解，基于这个理解开始训练，应该能够有所建树。可是用这个模型去迁移学习对飞机大炮的理解，那就没什么用了。数据
猫和老虎的长度分辨：假设如今有一个训练了1000个类别的vgg，咱们提取这个vgg前面的卷积等层，从新组建后面的全链接层，让它作一个和分类彻底不相干的事。由于这个vgg对猫和老虎都有了理解，那么如今伪造一些体长的数据，老虎一般比猫长。咱们保留全部卷积和池化，将后面的fc层拆了，改为能够被训练的两层，输出一个数字。这个数字表明了这个猫的长度。时间
能够发现，当一个大模型对某几方面有了认知后，咱们能够保留它的这种认知，来使用这些认知去干别的事情。通常来讲，保留卷积池化，将全链接层改变。来实现迁移学习。数字