深度学习中的迁移学习是指将一个预训练模型调整为新的但相关的任务的技术。开发者可以使用一个已经从大型数据集中学习到有用特征的现有模型，而不是从头开始训练一个神经网络，这个过程既耗时又消耗资源。这一过程不仅加快了训练时间，而且通常会带来更好的性能，特别是当新数据集比原始模型训练时的数据集规模小或多样性不足时。
迁移学习的一个常见例子是在图像分类任务中。考虑一个在像ImageNet这样的庞大数据集上预训练的模型，该数据集包含数百万张标记图像，跨越数千个类别。这个模型已经学会识别基本的模式、形状和纹理。如果开发者想为医疗图像构建一个特定的图像分类器，他们可以使用这个预训练的模型，并通过在一个更小的医疗图像数据集上进行微调来使其适应。通过仅调整神经网络的几层——通常是与分类相关的最后几层——开发者可以有效利用之前学到的特征，提升在这个新任务上的表现。
此外，迁移学习不局限于图像分类。在自然语言处理（NLP）中也可以应用迁移学习，使用像BERT或GPT这样的模型，这些模型已经在大量文本数据上进行了训练。开发者可以通过使用较小的数据集对这些语言模型进行微调，以适应特定任务，如情感分析或文本摘要。这一能力使得迁移学习成为开发者在不从零开始的情况下构建高性能模型的实用方法。总体而言，这是一种将现有知识应用于加速和增强机器学习应用开发的战略方法。