Model pembelajaran mendalam yang canggih memiliki jutaan parameter (bobot) dan melatihnya dari awal seringkali membutuhkan data sumber daya komputasi dalam jumlah besar. Transfer learning adalah teknik yang mempersingkat sebagian besar dari ini dengan mengambil bagian dari model yang telah dilatih pada tugas terkait dan menggunakannya kembali dalam model baru.
Misalnya, tutorial berikutnya di bagian ini akan menunjukkan kepada Anda cara membuat pengenal gambar Anda sendiri yang memanfaatkan model yang sudah dilatih untuk mengenali 1000-an jenis objek yang berbeda di dalam gambar. Anda dapat mengadaptasi pengetahuan yang ada dalam model pra-pelatihan untuk mendeteksi kelas gambar Anda sendiri menggunakan data pelatihan yang jauh lebih sedikit daripada model asli yang diperlukan.
Ini berguna untuk mengembangkan model baru dengan cepat serta menyesuaikan model di lingkungan dengan sumber daya terbatas seperti browser dan perangkat seluler.
Paling sering saat melakukan transfer learning, kita tidak menyesuaikan bobot model aslinya. Sebagai gantinya kami menghapus lapisan terakhir dan melatih model baru (seringkali cukup dangkal) di atas output model terpotong. Ini adalah teknik yang akan Anda lihat ditunjukkan dalam tutorial di bagian ini.