图像分类的迁移学习
把 VGG16 看图的本领，迁移到自己的叶片分类任务。
此刻
怎么做
会骗你
文字版：图像分类的迁移学习在做什么
自己手上只有几百张图片，从零训练一个网络几乎不可能。迁移学习的做法是：借一个已经在海量图片上学会「怎么看图」的模型，把它最后那几层换成自己的类别，只训练新接上去的部分。这一页以番茄叶片病害分类为例，把拆装过程一步步演示出来。
画面上正在发生什么
先认识原模型：VGG16 在 ImageNet 上预训练过，前面的卷积层负责提取图像特征，后面 4096→4096→1000 的全连接层负责把特征组合成 ImageNet 那 1000 个类别的得分。要换掉的只是最后这部分——1000 个类里没有「番茄早疫病」，但「怎么看出叶子上有斑点」这个本领是通用的。
接下来三步是关键：拆下旧分类器（紫色那几层整体移走），接上自己的分类层（绿色，输出维度等于你的类别数），然后冻结前面的卷积层，只训练新层。最后一步是微调：解冻最后一组卷积，用很小的学习率继续训练，让特征提取器也稍微适应你这批图像的特点。
什么时候它会骗你
- 一上来就微调整个网络，小数据会被带偏。标准顺序是先冻结全部卷积层只训新分类头，等新层稳定了再解冻最后一两组卷积、用小十倍的学习率微调。一开始就全放开，随机初始化的新层会产生很大的梯度，把预训练学到的特征冲毁。
- 源领域和目标领域差太远时，迁移不一定有用。ImageNet 是自然照片。迁移到叶片、细胞切片这类图像通常仍然有效（底层的边缘纹理是通用的），但迁移到 X 光片、遥感图、频谱图时收益会明显下降，有时还不如在领域内数据上从头训练一个小模型。
- 预处理必须和预训练时保持一致。输入尺寸、通道顺序、归一化用的均值和标准差都要沿用原模型的设定。这一步弄错不会报错，只会让准确率莫名其妙地上不去——这是迁移学习里最常见的隐性错误。
常见问题
- 冻结和微调分别指什么？
- 冻结是把某些层的参数固定住不参与更新，训练时它们只做前向计算；微调是解冻部分层、用较小的学习率让它们跟着一起更新。常见流程是先冻结全部卷积训练新分类头，再解冻最后一两组卷积微调。
- 数据很少时该冻结多少层？
- 经验规则是：数据越少、和预训练领域越接近，就冻结越多。几百张图且领域接近时，通常只训练新分类头；几千张图可以解冻最后一组卷积；上万张且领域差异大时才考虑放开更多层。
- 迁移学习需要多少张图？
- 没有硬门槛。每类几十张就能开始做出有意义的结果，每类几百张通常已经不错。比数量更要紧的是：各类之间数量别差太多、验证集要独立（同一株植物、同一个病人的图不能跨集）、图像采集条件要覆盖实际使用时会遇到的变化。
本页为结构教学动画，未载入 VGG16 权重、未运行实际训练；叶片图像为程序绘制的示意，页面不输出准确率或预测概率。