Introduction
把别处学得的知识，迁移到新场景的能力，就是“迁移学习”。
具体在实践中体现为：
将 A任务上 预训练好的模型 放在B任务上，加上少量B任务训练数据，进行微调 。
与传统学习的比较
传统学习中，我们会给不同任务均提供足够的数据，以分别训练出不同的模型：
但是如果 新任务 和旧任务类似，同时 新任务 缺乏足够数据 去从头训练一个新模型，那该怎么办呢？
迁移学习所做的事，就是将旧任务上训练好的模型拿过来放在新任务上，再加上点少量数据稍微调一调，效果往往并不输海量数据下的从头训练：
这是因为A任务和B任务很多共同特征：
迁移学习试图把处理A任务获取的知识，应用于B任务中。此时因为B任务中的大部分特征已经被A任务中预训练好的模型学得了，相当于提前完成了B任务中大部分的活儿，那么B任务自然只需再提供少量数据，即可炼得新模型。
优势
高效、省事。
影响
迁移学习被视为未来的几个重要研究领域之一：
目前，大部分的模型训练都是 迁移学习 ，已经很少有人从头开始新训练一个模型了。
比如基于深度网络的Detection算法，都是在用ImageNet训好的basemodel上，再用COCO或者自己的数据集fine-tune个20epoch足以。
Note：
- 一个epoch等于遍历该数据集所有图片一遍。
- 只需要在COCO上fine-tune20个epoch足矣的原因，是因为basemodel已经在ImageNet上训练了几十轮。因此再经过COCO的fine-tune，此时模型就已经得到了 几十 20轮 的训练了。
- CVPR2018 Best Paper 就是关于Transfer Learning的研究。
[1] 解析卷积神经网络—深度学习实践手册 [2] 为什么吴恩达认为未来属于迁移学习？ [3] 一文读懂迁移学习
