---
title: "遷移學習（Transfer Learning）"
slug: transfer-learning
language: zh-TW
source: https://aiterms.tw/terms/transfer-learning
updated_at: 2026-04-29
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 |

### 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：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-transfer-learning