遷移學習是一種機器學習技術，在一個特定的數據集上，重新利用已經訓練過的卷積神經網絡（CNN），並將其改造或遷移到一個不同的數據集中。重復使用訓練過的卷積神經網絡，主要原因是訓練數據通常需要花費很長的時間。
如果之前已經訓練過一個神經網絡，你可以使用遷移學習個一小部分已標記的圖像來將其轉換成你的問題所需要的網絡。
https://blog.csdn.net/weixin_41770169/article/details/80330581
VGGNet
遷移學習策略
遷移學習的策略有兩種。Finetuning（微調）包括在基礎數據集上使用預訓練網絡，並在目標數據集上訓練所有層。Freeze and Train（凍結和訓練）包括僅凍結並訓練最后一層，其他層不變（權重不更新）；也可以凍結前幾層，微調其他層，這是由於有些證據表明CNN的前幾層有紋理濾鏡和彩色斑點。本文我們將分析兩個極端的例子：訓練所有的網絡層和只訓練最后一層。