【转载】 迁移学习与fine-tuning有什么区别

原文地址：

https://www.cnblogs.com/fangpengchengbupter/p/8276204.html

--------------------------------------------------------------------------------------------

假设你要处理一个新数据集，让你做图片分类，这个数据集是关于Flowers的，问题是，数据集中flower的类别很少，数据集中的数据也不多，你发现从零开始训练CNN的效果很差，很容易过拟合，怎么办呢，于是你想到了使用Transfer Learning，用别人已经训练好的Imagenet的模型来做。

做的方法有很多：

1. 把Alexnet里卷积层最后一层输出的特征拿出来，然后直接用SVM分类。这是Transfer Learning，因为你用到了Alexnet中已经学到了的“知识”
2. 把VGG net卷积层最后的输出拿出来，用贝叶斯分类器分类，思想基本同上。
3. 甚至你可以把Alexnet，VGGnet的输出拿出来进行组合，自己设计一个分类器分类。这个过程中你不仅用了Alexnet的“知识”，也可以用VGGnet的“知识”
4. 最后，你也可以使用fine-tune这种方法，在Alexnet的基础上，重新加上全连接层，再去训练网络。

综上，Transfer Learning关心的问题是：什么是“知识”以及如何更好的运用之前得到的“知识”。这可以有很多方法和手段，而fine-tune只是其中的一种手段。

--------------------------------------------------------------------------------------------