迁移学习（新人必看）

先说一下深度学习常见的问题：

        1.数据集不够，通常用数据增强解决。

        2.参数难以确定，训练时间长，这就需要用迁移学习来解决

什么叫迁移学习呢：比方说有一个对100w的自行车数据集，并用VGG模型训练好的网络，而此时你想训练一个1w自行车数据集（虽然对象一样，但采集的数据会不同），也用VGG模型进行训练，你发现，你们数据集的对象一样，选用的网络模型一样，此时在初始化自己模型权重（就是卷积层，池化层和全连接层的参数）时，可以用人家训练好的模型参数（如果不这样就需要随机初始化模型权重），这样做可以节省大量寻找最优参数的时间，又可以保证参数的准确。

总结：迁移学习就是用别人的东西训练自己的东西，但要注意，为了使用别人的模型参数，要保证自己的数据对象、网络结构、输入和输出数据的结构和别人相同。比方说，别人识别狗，你不能识别猫，别人用VGG你不能用resnet，别人输入和输入图像大小是224×224.你不能是256×256。

进一步理解迁移学习的使用1：看下图最大的红框，表示卷积层，当用别人的模型时，对卷积层的两种处理方式。

        A：作为自己模型权重的初始化参数。

        B：冻结卷积层网络，意思是直接用别人的参数，不再更新。冻结卷积层网络又分几种情况。

                B1：当数据量小时，冻结第二大红框表示的卷积层，剩下卷积层进行更新。因为数据量小时，容易过拟合，直接用别人的参数最好。

                B2：当数据量中等时冻结最小红框表示的卷积层，剩下的卷积层进行更行。

                B3：当数据量足够大时，不冻结卷积层，用A的方法，只作为自己模型权重的初始化参数。数据量大时，虽然对象一样，但毕竟数据不同，会有一定差异，更新参数是最优选择。

 进一步理解迁移学习的使用2：说完卷积层，在说一下全连接层，必须要注意不，管卷积层选A还是B，全连接层都是要更新的，原因在于，别人模型进行图像分类可能是进行1000个分类，而你只进行100或者999个分类，那么全连接层的参数肯定是不同的。

将迁移学习应用于图像分类：

pytorch实战-图像分类（一）（数据预处理）

pytorch实战-图像分类（二）（模型训练及验证）（基于迁移学习（理解+代码））