所謂遷移學習，就是將一個問題上訓練好的模型，通過簡單的調整，使其適用于一個新的問題的過程。

一、遷移學習的特點

1、需求的訓練數據集合較小

當需要訓練A問題的模型所需的訓練數據匱乏時，可以選擇訓練與A問題有關聯且數據量較為豐富的B問題，然后將訓練和調優好的B-model結合A問題的數據集，通過遷移學習得到A-model。舉例：用電影推薦模型，遷移學習音樂推薦模型

2、訓練時間較小

3、可以方便的進行遷移以滿足個性化

比如手機上的智能個人助理

二、遷移學習的四種實現方法

1、樣本遷移（ Instance-based Transfer Learning ）

2、特征遷移 （ Feature-based Transfer Learning ）

3、模型遷移（ Model-based Transfer Learning ）

4、關系遷移（ Relational Transfer Learning ）

三、遷移學習的實現步驟和難點

1、獲取一個相對大的預訓練數據

2、選擇一個合適的預訓練模型，調優訓練參數和網絡層數

3、檢驗預訓練模型效果

4、準備遷移學習訓練數據，訓練遷移網絡并評估和優化

難點：當獲取更多數據和更好的算法后，預訓練模型難以更新

四、遷移網絡的實驗工具

NanoNets工具

NanoNets是一個簡單方便的基于云端實現的遷移學習工具，其內部包含了一組已經實現好的預訓練模型，每個模型有數百萬個訓練好的參數。用戶可以自己上傳或通過網絡搜索得到數據，NanoNets將自動根據待解問題選擇最佳的預訓練模型，并根據該模型建立一個NanoNets（納米網絡），并將之適配到用戶的數據。NanoNets和預訓練模型之間的關系結構如下所示。

NanoNets

NanoNets官網：http://nanonets.ai/