迁移学习（Transfer Learning）简介

迁移学习（transfer）

1.概念

迁移学习定义：迁移学习是指利用数据、任务或模型之间的相似性，将在旧领域（源领域）学习过的模型应用于新领域（目标领域）的一种学习过程。这种方法充分利用了已有的数据和模型资源，减少了目标任务对大量新数据的依赖，加快了模型训练速度，并提高了模型的泛化能力。

例如，我们学习过羽毛球，再去学网球就能够发现两种球类的共性，利用我们学习羽毛球的经验，我们学习网球就会更快。那转换到机器学习中，便可以利用在源领域学习的模型，将其应用在新领域（目标领域）中，加快了模型训练速度（学习速度）。（例如在源领域模型中已经训练好的特征提取模块，我们可以直接用于在新领域中进行特征提取，训练的时候可以不用更新该模块的权重，减少了计算量，加快了学习速度。并且模块的性能因为在源领域中已经得到验证，当源域与目标域差别不大时，模块的性能在新领域中通常表现不会很差）

源领域：包含大量训练数据和标签，一般用（Source  Domain）来表示。

目标领域：数据量少，一般标签缺少或者无标签。用表示（Target  Domain）

任务：及模型学习的结果，如可以进行图像分类或检测。

<