迁移学习是一种机器学习技术，在一个特定的数据集上，重新利用已经训练过的卷积神经网络（CNN），并将其改造或迁移到一个不同的数据集中。重复使用训练过的卷积神经网络，主要原因是训练数据通常需要花费很长的时间。
如果之前已经训练过一个神经网络，你可以使用迁移学习个一小部分已标记的图像来将其转换成你的问题所需要的网络。
https://blog.csdn.net/weixin_41770169/article/details/80330581
VGGNet
迁移学习策略
迁移学习的策略有两种。Finetuning（微调）包括在基础数据集上使用预训练网络，并在目标数据集上训练所有层。Freeze and Train（冻结和训练）包括仅冻结并训练最后一层，其他层不变（权重不更新）；也可以冻结前几层，微调其他层，这是由于有些证据表明CNN的前几层有纹理滤镜和彩色斑点。本文我们将分析两个极端的例子：训练所有的网络层和只训练最后一层。