傳輸學習
在生活中，如果您已經具備類似可轉移技能的專業知識，通常更容易學習新的技能。 例如，如果某人已經學會了如何駕駛汽車，可能比較容易教某人如何駕駛公共汽車。 司機可以將他們在汽車上學到的駕駛技能，應用到公共汽車的駕駛上。
相同的原則可以透過稱為 「轉移學習」的技術，套用至定型深度學習模型。
轉移學習的運作方式
影像分類的捲積類神經網路 （CNN） 通常由擷取特徵的多層組成，然後使用最終的完全連線層來根據這些功能分類影像。
從概念上講，此類神經網路是由兩組不同的圖層所組成：
- 從基底模型執行 特徵擷取的一組圖層。
- 完全連線層，其會取得擷取的特徵，並使用它們進行類別「預測」。
特徵擷取層會套用卷積濾波器和池化來強調影像中的邊緣、角落及其他可用於區分影像的模式，理論上應該適用於任何尺寸與網路輸入層相同的影像集。 預測圖層會將特徵對應至一組輸出，這些輸出代表您想要用來分類影像之每個類別卷標的機率。
藉由將網路分成這些層級類型，我們可以從已定型的模型取得特徵擷取層，並附加一或多個圖層，以使用擷取的特徵來預測影像的適當類別標籤。 此方法可讓您保留特徵擷取層的預先定型權數，這表示您只需要定型已新增的預測層。
影像分類有許多已建立的捲積神經網路架構，可用來作為傳輸學習的基礎模型，因此您可以建置其他人已完成的工作，以輕鬆建立有效的影像分類模型。