El transfer learning parte de un modelo ya entrenado sobre una tarea o un conjunto de datos general, y reutiliza ese conocimiento como punto de partida para una nueva tarea relacionada, en lugar de entrenar un modelo completamente nuevo desde cero.
Por qué ahorra tanto esfuerzo
Muchas de las características que un modelo aprende en una tarea general —como reconocer bordes y formas básicas en imágenes— resultan útiles también para tareas más específicas. Reaprovechar ese conocimiento reduce drásticamente la cantidad de datos y de cómputo necesarios para lograr buenos resultados en la nueva tarea. El fine-tuning es la forma más común de aplicar transfer learning en la práctica.