开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第十一天，点击查看活动详情
总结：此文为12月更文计划第十一天第十六篇。
迁移学习
是属于机器学习的一种研究领域。它专注于存储已有问题的解决模型，并将 其利用在其他不同但相关问题上。比如说，用来辨识汽车的知识（或者是模型）也可以 被用来提升识别卡车的能力。计算机领域的迁移学习和心理学常常提到的学习迁移在概 念上有一定关系，但是两个领域在学术上的关系非常有限 迁移学习的领域很大，它不是深度学习的一个子领域，而是与深度学习有交叉的领域。 一般来说，迁移学习包括基于样本的迁移，基于特征的迁移，基于模型的迁移，以及基于关 系 的 迁 移 。 我 们 这 里 只 讲 了 基 于 模 型 的 迁 移 。
网络结构
网络结构层次更深
多使用 3x3 的卷积核
2 个 3x3 的卷积层可以看做一层 5x5 的卷积层
3 个 3x3 的卷积层可以看做一层 7x7 的卷积层
1x1 的卷积层可以看做是非线性变换
每经过一个 pooling 层，通道数目翻倍 ---因为经过 pooling 某些信息有所丢失，所以提 取更多的特征出来
视野域:2 个 3x3=1 个 5x5
2 层比 1 层更多一次非线性变换
参数降低 28% 55-33-3*3=7
7/25=28%，参数量降低 28%
如果我们把上图的 55 改为 11，发现最终得到的是 32321，相当于在纵向上做的压缩
网络结构变换
从 11 层增至 19 层
LRN 是局部做归一化
为什么都在后面加层，因为前面经过 maxpooling 后，后面参数没那么多，加层的计算量没
那么大
总体参数数目基本保持不变
