Pytorch使用手册-计算机视觉迁移学习教程（专题十三）
在本教程中，你将学习如何使用迁移学习训练一个卷积神经网络进行图像分类。更多关于迁移学习的内容可以参考 CS231n 课程笔记。
引用课程笔记中的内容：
实际上，很少有人从头开始训练一个完整的卷积网络（随机初始化），因为拥有足够大数据集的情况相对罕见。相反，通常会在非常大的数据集上（例如 ImageNet，它包含 120 万张图片和 1000 个类别）预训练一个卷积网络，然后将该网络用于感兴趣任务的初始化或作为固定的特征提取器。
迁移学习主要有两种常见场景：
-
微调卷积网络（Finetuning the ConvNet）：
与其从随机初始化开始训练网络，不如用一个预训练网络（例如在 ImageNet 1000 数据集上训练的网络）进行初始化，其余的训练过程与通常训练相同。 -
将卷积网络作为固定特征提取器（ConvNet as fixed feature extractor）：
在这种情况下，我们会冻结网络中除最后一个全连接层以外的所有权重。最后的全连接层会被替换为