遷移學習是一個idea，把一個預先訓練好的模型的部分挪到一個類似的任務上使用。一方面這節省了訓練的時間；另一方面對於某些任務我們可能有很大的dataset而對於另一些相似的任務並沒有那麼大的dataset，那麼我們就可以拿在前者上訓練好的模型抽掉最後幾層（抽掉多少視後者有多大而定），在後者上只另外train最後幾層。舉個例子，在語音識別裡我們有很多英語的資料，但卻沒有多少的葡萄牙語的資料，考慮到兩者都深受拉丁語影響，我可以先拿英語的語音資料訓練一個模型，在基於這個模型在葡萄牙語上訓練模型的最後幾層對最後幾層引數進行微調。 fine-tuning 是一個trick，在遷移學習中有所涉及，但不僅僅出現在遷移學習中，指對引數進行微調。