深度学习：迁移学习（Transfer learning)

深度学习中，最强大的理念之一就是迁移学习，有的时候神经网络可以从一个任务中习得知识，并将这些知识应用到另一个独立的任务中。

所以例如，也许你已经训练好一个神经网络，能够识别像猫这样的对象，然后使用那些知识，或者部分习得的知识去帮助您更好地阅读x射线扫描图，这就是所谓的迁移学习。

具体来说，在第一阶段训练过程中，当你进行图像识别任务训练时，你可以训练神经网络的所有常用参数，所有的权重，所有的层，然后你就得到了一个能够做图像识别预测的网络。

在训练了这个神经网络后，要实现迁移学习，你现在要做的是，把数据集换成新的(x,y)对，现在这些变成放射科图像，而y是你想要预测的诊断，你要做的是初始化最后一层的权重，让我们称之为w^([L])和b([L])随机初始化。

现在，我们在这个新数据集上重新训练网络，在新的放射科数据集上训练网络。

要用放射科数据集重新训练神经网络有几种做法。

你可能，如果你的放射科数据集很小，你可能只需要重新训练最后一层的权重，就是w^([L])和b([L])，并保持其他参数不变。

如果你有足够多的数据，你可以重新训练神经网络中剩下的所有层。