參考資料:

1. 李弘毅的ML講義
2. 遷移學習Transfer Learning
3. 機器學習的明天——遷移學習

#因為其實沒有很懂本課程的原理說明是啥，因此先來簡介一下Transfer Learning:
在2016NIPS講座上，吳恩達表示：在監督學習之後，遷移學習將引領下一波機器學習技術商業化浪潮。
而甚麼是遷移式學習(Transfer Learning)?
(敘述ㄉ說法)
如果我們想要訓練出一個模型，對夜間的行人影象進行監測，我們可以應用一個相近領域的訓練模型——白天的行人監測。理論上這是可行的。
但實際上，模型的表現效果經常會大幅惡化/崩潰。這很容易理解，模型從白天訓練資料獲取了一些偏差，不知道怎麼泛化到新場景。
或想監測自行車騎手，重複使用原先的模型是行不通的。關鍵原因：不同任務的資料標籤不同。
但有了遷移學習，我們能夠在一定程度上解決這個問題，並充分利用相近任務/領域的現有資料。
(簡略ㄉ說法)
假設一個CNN架構，input是阿貓阿狗，我們把Conv layers train好的weight固定；現在input改老虎獅子，只train後面重組的fully connected layers，像是將後面的classifier 變成regressor。
(ML講義)

• 原理說明：Keras後端函數應用、反轉梯度
參考: Keras backens函数
參考: 梯度反转

• 主題實作：梵谷畫作風格轉換