什麼是遷移學習？

複雜的深度學習模型擁有數百萬個引數（權重），從零開始訓練它們通常需要大量的資料和計算資源。遷移學習是一種捷徑，它透過獲取一個已經在相關任務上訓練過的模型的一部分，並將其複用到新模型中，從而簡化了這一過程。

例如，本部分的下一個教程將向您展示如何構建自己的影像識別器，它利用了一個已經過訓練、能夠識別影像中數千種不同物體的模型。您可以使用比原始模型所需少得多的訓練資料，透過調整預訓練模型中現有的知識來檢測您自己的影像類別。

這對於快速開發新模型以及在瀏覽器和移動裝置等資源受限的環境中定製模型非常有用。

在進行遷移學習時，我們通常不會調整原始模型的權重。相反，我們會移除最後一層，並在截斷後的模型輸出之上訓練一個新模型（通常比較淺）。這就是您將在本部分的教程中看到的演示技術。

關於使用 TensorFlow.js 進行遷移學習的另一個示例，請參閱 使用預訓練模型。