目录

一、通俗解释

二、专业解析

三、权威参考

---

迁移学习就是让AI把在一个任务中学到的本事，拿来加速另一个任务的学习，实现“举一反三”。

一、通俗解释

想象你已经学会了打乒乓球，现在去学打网球，是不是会学得更快？因为你的眼力、反应速度、挥拍动作都可以“迁移”过去。这就是迁移学习的意思：AI模型在一个任务上学到的“经验”，可以拿来帮它更快学会另一个任务。

举个例子：

一个AI模型本来是用来识别猫和狗的，现在你想用它来识别老虎和豹子。与其重新从头教它“什么是动物”，不如直接在它已有的“识图能力”上稍作训练，这样更快、也更准确。

迁移学习就是让AI把旧知识“借过来”，用在新任务上，举一反三，事半功倍。

二、专业解析

迁移学习（Transfer Learning）是指在源任务（source task）中获得的知识被迁移到目标任务（target task）中，以提升在目标任务上的学习效率或性能。它打破了传统机器学习中“任务与数据必须完全一致”的前提，使得模型可以利用已有模型参数、特征表示或知识结构，加速新任务的学习。

1、主要类型：

基于特征的迁移：如使用预训练模型提取特征（如ResNet提取图像特征）。

基于参数的迁移：微调（Fine-tuning）预训练模型权重，例如在BERT基础上训练问答模型。

基于实例的迁移：通过加权或筛选，部分源任务样本参与目标任务训练。

基于关系/结构的迁移：如迁移图结构、任务相关性或神经元连接模式。

2、应用场景：

计算机视觉：图像识别、目标检测、医学影像

自然语言处理：语义理解、文本分类、小样本问答

医疗、金融、工业等领域的小样本学习问题

3、优势：

降低标注成本：减少对目标任务大量标注数据的依赖

提高泛化能力：跨任务共享知识提升模型鲁棒性

缩短训练时间：减少从零训练的资源与时间开销

三、权威参考

1、ISO/IEC 23053:2022（国际标准）​

迁移学习是一种通过修改预先训练模型来执行不同相关任务的技术，旨在利用源领域的知识减少目标领域的数据需求和计算成本。

2、IEEE 2937-2022（国际标准）​

迁移学习代表从一个任务中学到的知识转移到另一个任务的可能性，通过预训练模型的参数传递和微调（Fine-tuning），提升新任务的性能。

3、吴恩达（Andrew Ng）​

迁移学习是继监督学习后，推动机器学习商业成功的核心驱动力，尤其在医疗、金融等数据稀缺领域。