---
title: "遷移學習（Transfer Learning）"
slug: transfer-learning
language: zh-TW
source: https://aiterms.tw/terms/transfer-learning
updated_at: 2026-07-29
tags: [機器學習, 遷移學習, 模型訓練, AI應用]
ipas_term: true
---

# 遷移學習（Transfer Learning）

> **你有沒有發現，會一種樂器的人，學第二種通常更快？**
> 你可以把遷移學習想成「把已經學會的能力搬去新任務用」
> 模型不用從零開始，而是先借用舊任務學到的特徵，再針對新資料微調
> 這在資料少、算力有限時特別有用
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **遷移學習 vs 微調**
> 遷移學習是整體策略
> 微調是常見做法之一
> 最關鍵的區別：大方向和具體手段
>
> **遷移學習 vs 多任務學習**
> 遷移學習是先學 A 再用到 B
> 多任務學習是 A 和 B 一起學
> 最關鍵的區別：順序和並行
>
> **遷移學習 vs 從零訓練**
> 遷移學習先借現成能力
> 從零訓練完全自己學
> 最關鍵的區別：有沒有預先學過
>

### 記住這句就好
> 先借現成能力，再把新任務調到位。

### 實際案例
> **醫療影像**
> 用大規模通用影像預訓練模型，再拿少量 X 光資料調整，通常比從零開始更快收斂
>
> **客服分類**
> 先用通用語言模型，再用公司自己的客服對話微調，能更快學會公司內部用語
>

### 算法與應用
> | 預訓練模型 | 先在大資料上學通用特徵 | 這是起點 |
> | 微調 | 用新任務資料再訓練 | 把通用能力轉成專用能力 |
> | 凍結層 | 保留部分參數不動 | 資料少時很常見 |
> | 負遷移 | 舊知識反而干擾新任務 | 領域差太遠時要小心 |

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 遷移學習 | 台灣正式用語 |
| 迁移学习 | 簡體寫法 |
| Transfer Learning | 英文原名 |
| 轉移學習 | 常見變體 |

### 跟微調、領域自適應的關係

> **遷移學習**是最上位的概念：把在一個任務上學到的知識用到另一個任務。
>
> **微調（fine-tuning）** 是遷移學習最常見的實作手段：拿預訓練模型，用目標任務的資料繼續訓練。
>
> **特徵萃取（feature extraction）** 是另一種手段：凍結預訓練模型當成特徵抽取器，只訓練最後的分類頭。
>
> **領域自適應（domain adaptation）** 是特例：任務相同但資料分布不同（同樣是辨識瑕疵，但換了一條產線的相機）。

### 該凍結多少層

| 情況 | 建議 |
| --- | --- |
| 目標資料少，且跟原任務相似 | 凍住大部分，只訓練最後幾層 |
| 目標資料少，但跟原任務差很多 | 凍住淺層（通用特徵），重訓中後段 |
| 目標資料多，且跟原任務相似 | 全部微調，用小學習率 |
| 目標資料多，但跟原任務差很多 | 可以全部微調，甚至考慮從頭訓練 |

> 判斷邏輯是：**淺層學的是通用的邊緣與紋理，換任務也適用；深層學的是任務專屬的概念，換任務就要重學。** 資料越少越要凍得多，因為可訓練參數越多越容易過度擬合。
>
> **微調時學習率要比原本訓練時小一個數量級以上**，否則預訓練學到的東西會在前幾個批次就被破壞掉。常見做法是分層設定學習率，越接近輸出的層學習率越大。

### 什麼時候不該用

> **負遷移（negative transfer）** 是指遷移之後表現比從頭訓練還差。它在來源任務與目標任務差異太大時會發生，例如拿自然影像預訓練的模型去做頻譜圖或醫學斷層掃描，有時反而不如從頭訓練。
>
> 判斷方式很直接：**同時跑一次從頭訓練當對照組**。多數人省略這一步，於是永遠不知道遷移到底有沒有幫助。
>
> 另一個要注意的是**輸入前處理必須跟預訓練時一致**。影像的正規化平均值與標準差、輸入尺寸、色彩通道順序，任何一項對不上，預訓練權重的價值就大打折扣。這是實務上最常見卻最容易被忽略的錯誤。

### 情境判斷
> **Q1（直覺題）：你手上只有幾百張標註圖片，還適合從零訓練嗎？**
> → 通常不適合，遷移學習會更實際。
>
> **Q2（判斷題）：原任務和新任務差很遠，遷移學習一定有幫助嗎？**
> → 不一定，差距太大時可能出現負遷移，這時要更仔細挑模型。
>
### 常見問題
> **Q：遷移學習一定要微調全部參數嗎？**
> 不一定，有時只改最後幾層就夠。
>
> **Q：它只適合影像嗎？**
> 不只，文字、語音、推薦系統都很常用。
>
> **Q：資料很少時一定要用嗎？**
> 多數情況值得先試，但還是要看原始任務和目標任務是否接近。
>

### 相關術語
> - **微調**：遷移學習最常見的實作方式
> - **大型語言模型**：很多新任務都靠它遷移而來
> - **基礎模型**：遷移學習的起點
> - **遷移學習**：先學到的東西有時也會害你

---

來源：https://aiterms.tw/terms/transfer-learning
快查頁：https://aiterms.tw/terms/transfer-learning
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-transfer-learning