迁移学习

迁移学习（Transfer Learning）是一种机器学习方法，它的核心思想是在一个任务（源任务）上学习到的模型能够被应用到另一个不同的但相关的任务（目标任务）上，以提高学习效率和性能。这种做法模仿了人类学习的方式，即我们在学习新事物时，往往能利用过去学到的知识和经验，从而更快地理解和掌握新知识。

在传统的机器学习中，模型通常需要在目标任务上从头开始学习，这意味着需要大量的标注数据。然而，在很多情况下，标注数据的获取成本高昂，而且收集足够的数据也很困难。迁移学习通过利用源任务上已经学习到的特征表示或模型参数，可以减少目标任务上所需的数据量，加速学习过程，并提高模型的泛化能力。

本次实验用的是狗和狼的实验数据集。

最后的实验结果如下：