迁移学习是一种技术，其中通常在大型数据集上训练的预训练神经网络被重新用于新的但相关的任务。迁移学习允许您在特定数据集上微调预训练模型，而不是从头开始训练模型。当您的目标任务数据有限，但想要利用预训练模型捕获的知识时，这尤其有用。
在迁移学习中，您通常使用预训练模型的权重作为起点，然后通过在新数据集上重新训练最终层来调整模型。这种方法在图像分类等领域特别有效，其中像ResNet或VGG这样的大型模型在像ImageNet这样的海量图像数据集上进行训练。
迁移学习可以节省时间和计算资源，并且在处理小数据集时通常会带来更好的性能，因为模型已经从原始任务中获得了一般知识。