假设要训练一个识别三种花卉的模型，手头只有几百张标注图片。直接从随机参数开始训练，模型既要学习如何提取图像特征，又要学习如何区分花卉；有限的数据未必足以同时支撑这两件事。

如果已经有一个在大量自然图像上训练过的模型，能否保留它提取特征的能力，再让它学习花卉分类？这就是迁移学习的一种典型用法。

本文面向了解训练集、损失函数和梯度下降的读者，重点解释概念与实验思路，不依赖特定框架。花卉数据规模与后面的评估数字均为教学假设，不代表实际训练结果。

1. 先分清“领域”和“任务”

迁移学习（Transfer Learning）利用源领域或源任务中获得的知识，帮助目标领域或目标任务的学习。“源”表示知识来自哪里，“目标”表示最终要解决什么问题。