1. 迁移学习：利用已经训练过的用于解决问题A的模型，加上一部分问题B的数据集，对神经网络的大部分层进行冻结，即不改变参数，对模型进行训练，得到一个用于解决问题B的模型
△迁移学习的实质：找到源领域和目标领域之间的相似性，并加以合理利用；迁移学习的前提是两个任务之间存在共性
△迁移学习的策略：
①冻结+训练（freeze and train）：对除最后一层或者最后几层的全连接层以外的其他层进行冻结，即不改变参数；对最后一层或最后几层的全连接层的权值重新初始化，用small dataset进行进行训练；适用于只有少量数据集的情况
②微调（finetuning）：不冻结前面的层数，初始化最后几层的全连接层，利用bigger dataset对最后几层的全连接层进行训练，并使用较低的学习率，对前面的层的参数进行微调进行；适合有较多数据集的情况
