Tensorflow--迁移学习

首先，我说一下自己看了几篇文章后的理解。
我觉得迁移学习的目的就是为了减少工作量，提高效率，避免做重复累赘的工作。

这就跟我们在实际项目迭代开发时一样，假如老板突然提了一个新的需求，要你重做一个系统，你不可能又重新开始设计，然后编码吧。。。 肯定得在之前做的系统上进行迭代开发，修修改改，然后提交给老板看。等测试系统上线之后，再根据不同的反馈进行代码调整。

迁移学习的目的也正是如此，如果两个模型之间有很多相似之处，那为什么不直接将这个模型的一些方法(例如：特征提取方法等)直接迁移过来呢，然后在此基础上再进行模型训练，测试。这必然会使工作量大大减少，使得开发人员能有更多的精力投入于怎么样将这个模型的准确度，泛化能力等提高。

迁移学习的实现方法有以下四种：
1.样本迁移（Instance-based Transfer Learning）
样本迁移即在数据集（源领域）中找到与目标领域相似的数据，把这个数据放大多倍，与目标领域的数据进行匹配。其特点是：需要对不同例子加权；需要用数据进行训练。一般就是对样本进行加权，给比较重要的样本较大的权重

2.特征迁移（Feature-based Transfer Learning）
特征迁移是通过观察源领域图像与目标域图像之间的共同特征，然后利用观察所得的共同特征在不同层级的特征间进行自动迁移。在特征空间进行迁移，一般需要把源领域和目标领域的特征投影到同一个特征空间里进行。

3.模型迁移