迁移学习&在线学习

简介

英文： transfer learning
以已训练好的模型A为起点，在新场景中，根据新数据建立模型B
目的：将某个领域或任务上学习到的知识或模式，应用到不同但相关的领域或问题中。

1. 特征提取
   使用模型A，移除输出层，提取目标特征信息

2. 结构引用
   使用模型A的结构，重新/二次训练权重系数参数

3. 部分训练
   使用模型A的结构，重新训练部分层的权重系数参数

迁移学习对样本数据量需求相对较少
待更新参数较少，训练速度快
通常会比很多全新的模型有更好的表现

给已经训练好的模型输入新的数据，模型将进行更新，适应新数据的趋势
目的：针对新数据，在不需要对全数据集进行再次训练的基础上，上线模型更新
适合场景：场景中有连续的数据流
特点：不改变