迁移学习和微调的区别

• 什么是迁移学习？
  即一种学习对另一种学习的影响，它广泛地存在于知识、技能、态度和行为规范的学习中。任何一种学习都要受到学习者已有知识经验、技能、态度等的影响，只要有学习，就有迁移。迁移是学习的继续和巩固，又是提高和深化学习的条件，学习与迁移不可分割。
  换句话说，对于一个具体的深度学习训练任务，如：人脸识别，训练数据当然是用人脸库啦，你会觉得是废话，但是，呵呵，要是你的人脸库不够大怎么办？要是你没钱买数据怎么办？而且，你又没有足够的时间收集一个足够大的人脸库怎么办？这个时候，你可以试试迁移学习（transfer learning），用别人已经训练好的Imagenet的模型来做。
  你可以将已经训练好了的Alexnet、googlenet、vggnet等网络中的某些层直接抽出来，化为己用。具体的来说，你可以将Alexnet中的最一层特征层抽出来，然后自己设计一个分类器或者直接用SVM分类器，分类。当然你也可以抽取多个网络中的网络层，然后进行融合。总而言之，就是将已经学到了的“知识”化为己用。在最后，你要用自己的数据集进行一下微调（fine-tune）。这就好比，使用“吸星大法”吸收了别人的功力之后，好歹也得打坐盘膝，调理一下不是？

• 什么是微调（fine-tune）？
  看到别人一个很好的模型，虽然针对的具体问题不一样，但是也想试试看，看能不能得到很好的效果，而且自己的数据也不多，怎么办？没关系，把别人现成的训练好了的模型拿过来，换成自己的数据，调整一下参数，在训练一遍，这就是微调（fine-tune）。

• 总结
  迁移学习更像是“吸星大法”，将别人修炼的功力直接吸过来，但是因为原先针对的具体任务有所不同，有可能走火入魔？这时候，就需要盘膝打坐调理一番，疏通自己的经脉，努力使自己的功力更上一层楼（也有可能一点提升也没有，否则就不用研究迁移学习啦）。从某意义上来说，微调应该是迁移学习中的一部分。