【机器学习】迁移学习实战：从理论到代码的完整指南

1. 迁移学习入门：从零理解核心概念

第一次听说迁移学习时，我正为一个医学影像项目发愁——手头只有几百张标注好的X光片，根本不够训练一个可靠的分类模型。导师当时建议："试试迁移学习吧，就像让学过识别猫狗的大学生转行看X光片，总比培养一个毫无经验的新手快得多。"这个比喻让我茅塞顿开。

迁移学习的本质是知识复用。就像人类会利用已有经验学习新技能，机器学习模型也能将解决任务A获得的知识，迁移到相关任务B上。举个例子，用ImageNet（包含1000类物体）预训练的模型，识别花卉种类时，只需要微调最后几层就能获得不错的效果，这正是因为底层特征（如边缘、纹理）具有通用性。

为什么这个方法近年来大受欢迎？三个现实痛点推动：

• 数据饥渴：标注数据成本高昂，医疗、工业等领域标注样本稀少
• 算力瓶颈：从头训练ResNet等大模型需要数十块GPU，中小团队难以承受
• 冷启动难题：新产品上线初期缺乏用户数据，难以构建个性化模型

去年帮一家服装电商做款式推荐时，我们就用迁移学习解决了冷启动问题。先用公开的时尚数据集训练基础模型，再用他们少量的用户点击数据微调，推荐准确率比随机推荐提升了47%，而数据需求量只有传统方法的1/10。

2. 迁移学习的四大实战方法

2.1 特征提取器：冻结预训练模型的魔法

我最常用的方法是把预训练模型当作特征提取器。以VGG16为例，去掉最后的全连接层后，前面的卷积层就像一套高级滤镜组合，能把图片转换为2048维的特征向量。这些特征包含通用视觉信息，适合作为新模型的输入。

python复制from tensorflow.keras.applications import VGG16

base_model = VGG16(weights='imagenet', include_top=False)
base_model.trainable = False  # 冻结所有卷积层

# 添加自定义分类头
flatten = tf.keras.layers.Flatten()(base_model.output)
dense = tf.keras.layers.Dense(256, activation='relu')(flatten)
predictions = tf.keras.