迁移学习：微调

场景：
假设我们想从图像中识别不同种类的椅子，然后将购买链接推荐给用户，一种可能的方法是：
（1） 先找出100中常见的椅子，然后对椅子从各个角度进行拍照；
（2） 通过该数据集训练一个深度学习模型；
然而这个数据集的规模会远远小于imageNet样本数，这种情况下会导致适用于ImageNet的模型在现有的数据集上出现过拟合现象，同时由于训练数据集有限，最终得到的模型的精度也不会达到实用的要求，为了解决上述问题，有以下方法：
（1） 扩充数据集，成本太贵
（2） 迁移学习：从源数据集上学到的知识迁移到目标数据集上，因为在源数据集上保留着通用的图像特征。

迁移学习常见的技术：微调
1> 在源数据集（imageNet）上训练神经网络模型，即源模型。
2> 创建一个新的神经网络模型，即目标模型，它复制了源模型除了输出模型其他所有模型的设计及参数。
3> 为目标添加一个与输出大小为目标数据集类别个数的输出层，并随机初始化该层模型参数。
4> 在目标数据集上训练目标模型。从头训练输出层，其余层参数进行微调。