迁移学习

迁移学习是指利用一些现成的模型的特征，利用到新的问题上。新问题只需重新训练最后一层即可。

Andrew Ng也说：迁移学习将是机器学习新的动力，而之前是深度学习。

针对图像识别的多层卷积网络，如ImageNet、Inception V3等大型分类网络，由于其提取了很多很多图像的卷积特征，

而图像的特征往往是想通的，因此我们可以直接利用这些特征训练我们自己的分类器。

这里有一个比较KNN   SVM    BP与CNN及迁移学习的博客：http://www.sohu.com/a/141219314_390227

这篇博客需要设计一个判别猫的模型的分类器，结果是：传统的KNN   SVM    BP效果非常差，

CNN效果还可以但是训练时间非常长，迁移学习的效果非常好并且训练时间很短。

——————————————————————————————————————————————

Tensorflow网站上也有相关的迁移学习的学习教程：https://www.tensorflow.org/tutorials/image_retraining

其实图像风格变换中也用到了迁移学习的思想，即利用一个训练好的网络来训练新的参数。

——————————————————————————————————————————————