第16课：迁移学习的模型训练

本次课程我们为大家介绍一种新的构建模型方式——迁移学习（Transfer Learning）。迁移学习是解决标注数据缺失、从已有模型快速构建新应用的有效手段。迁移学习旨在于不同领域之间进行经验、知识、技能的转移，无需每次都从头学习全新的知识。目前，基于神经网络的迁移学习已经在图像、文本等领域取得了很多的研究成果，在工业界也有落地，本次课程我们在介绍迁移学习相关理论的基础上，结合 Deeplearning4j 对迁移学习的支持场景给出在图像分类问题中的实例。本节课核心内容包括：

• 迁移学习简介
• 为什么要做迁移学习
• 基于 Deeplearning4j 的迁移学习

首先我们来看下迁移学习的相关介绍。

16.1 迁移学习简介

在现实生活中，我们经常需要通过类比的手段，根据已经掌握的技能来学习新的知识。举些具体的例子，会打乒乓球的人通过简单的学习，就可以比较快地掌握网球的打法，会编写 C++ 程序的程序员可能在一周以内就可以掌握 Java 的基本语法。

诸如此类的案例不胜枚举。它们的一个共同点就是借助了知识或者技能迁移的手段。乒乓球和网球不仅是在英文表达上只差了一个 table 单词，更多的是在它们的击球节奏、球的弹跳规律、运动场地和击球工具等多项关键细节上都有些相似。而不论是 Java 还是 C++，面向对象、基本数据类型等语言特性都非常相像，因此知识的迁移就很自然了。

在人工智能领域，我们希望也可以借鉴人类的学习方式，以某种手段完成从源领域（Source Domain）到目标领