今天要來分享的是 遷移學習
先舉個例子，
假設你是位很厲害的廚師，特別擅長做披薩，你已經花了好多年的時間學習如何製作美味的披薩，像是怎麼調配麵團、醬料和烘烤溫度等等
今天你決定做看看沒嘗試過的墨西哥炸玉米餅！儘管這道料理沒做過，但根據烹飪經驗和知識，大概可以猜到如何處理麵團、調配醬料等等，因為這些廚藝技巧是通用的，不僅僅只適用於披薩，也會適用於炸玉米餅，所以你能夠快速上手，儘管你沒看過這道菜的作法。

這就是遷移學習的概念，模型會從一個任務（製作披薩）中獲得知識，然後成功應用於另一個相關但不同的任務（製作炸玉米餅）中

遷移學習(Transfer learning)

• 將一個已經訓練好了一個模型直接應用到另一個不同但相關的任務上
  • 使用 A 資料集訓練出一個模型，此時就會有權重
  • 我們再將這個權重當作該模型的初始權重，來訓練自己的資料集，讓模型貼合自己的資料集
• 遷移學習可以節省大量的時間和資源，就可以不用每次都要從零開始訓練一個新模型，那將需要大量的數據和計算能力，而這對大多數情況下都是不現實的

明天要來對遷移學習的 Domain Adaptation 做分享 ~