迁移学习入门（一）

迁移学习（Transfer Learning,TL）
能让现有的模型算法稍加调整即可应用于一个新的领域和功能的一项技术。

微调
如图所示，微调由以下4步构成。

1.在源数据集（如ImageNet数据集）上预训练一个神经网络模型，即源模型。
2.创建一个新的神经网络模型，即目标模型。它复制了源模型上除了输出层外的所有模型设计及其参数。我们假设这些模型参数包含了源数据集上学习到的知识，且这些知识同样适用于目标数据集。我们还假设源模型的输出层与源数据集的标签紧密相关，因此在目标模型中不予采用。
3.为目标模型添加一个输出大小为目标数据集类别个数的输出层，并随机初始化该层的模型参数。
4.在目标数据集（如椅子数据集）上训练目标模型。我们将从头训练输出层，而其余层的参数都是基于源模型的参数微调得到的。

当目标数据集远小于源数据集时，微调有助于提升模型的泛化能力。
一般来说，微调参数会使用较小的学习率，而从头训练输出层可以使用较大的学习率。
参考文献
http://zh.gluon.ai/chapter_computer-vision/fine-tuning.html