# 遷移學習和預訓練模型 簡單來說，**遷移學習**意味著你需要訓練有素的預訓練模型來預測一種類，然后直接使用它或僅再訓練它的一小部分，以便預測另一種類。例如，您可以采用預訓練的模型來識別貓的類型，然后僅對狗的類型再訓練模型的小部分，然后使用它來預測狗的類型。 如果沒有遷移學習，在大型數據集上訓練一個巨大的模型需要幾天甚至幾個月。然而，通過遷移學習，通過采用預訓練的模型，并且僅訓練最后幾層，我們可以節省大量時間從頭開始訓練模型。 當沒有龐大的數據集時，遷移學習也很有用。在小型數據集上訓練的模型可能無法檢測在大型數據集上訓練的模型可以進行的特征。因此，通過遷移學習，即使數據集較小，也可以獲得更好的模型。 在本章中，我們將采用預訓練的模型并對新物體進行訓練。我們展示了帶有圖像的預訓練模型的示例，并將它們應用于圖像分類問題。 您應該嘗試找到其他預訓練的模型，并將它們應用于不同的問題，如對象檢測，文本生成或機器翻譯。本章將介紹以下主題： * ImageNet 數據集 * 再訓練或微調模型 * COCO 動物數據集和預處理 * 使用 TensorFlow 中預訓練的 VGG16 進行圖像分類 * TensorFlow 中的圖像預處理，用于預訓練的 VGG16 * 在 TensorFlow 中使用 **再訓練** VGG16 進行圖像分類 * 使用 Keras 中預訓練的 VGG16 進行圖像分類 * 使用 **再訓練** VGG16 在 Keras 中進行圖像分類 * 使用 TensorFlow 中的 Inception v3 進行圖像分類 * 在[TensorFlow]中使用 **再訓練** Inception v3 進行圖像分類