迁移学习相关知识可以参考：庄福振, 罗平, 何清,等. 迁移学习研究进展[J]. 软件学报, 2015, 26(1):26-39.
本文涉及内容主要有：
1.如何使用现有模型进行分类
2.如何得到样本的transfer-values
3.如何迁移学习
4.如何评价与验证
主要参考：IT虾米网
其它参考：IT虾米网
stackoverFlow-解决所有的问题
IT虾米网
1.如何使用现有模型进行分类
模型：inception
可以直接参考上面给的github #8的例子。
注意，这里的模型restore是老方法，即现在tensorflow已经升级了模型的保存。模型使用链接已经给出。

2.如何得到样本的transfer-values
解决这个问题需要对tensorflow的神经网络具有一定的知识 ，我是个小白，所有中间绕了一些弯。仍然可以使用github #8例子，需要注意的是：
2.1 restore模型后，需要恢复使用的tensor，方法是:

self.graph.get_tensor_by_name(self.tensor_name_softmax)

其中self.tensor_name_softmax为”softmax:0”。注意这个名称的规范，softmax为tensorflow的名称，即name属性。必须使用这个形式才能正确获得tensor
2.2 需要知道神经网络模型是如何定义
我们的目标是得到transfer-value，这个值按照参考中的意思是全连接层的输入，对于inception模型是最后pool层的输出，所以，例子中的做法是：

tensor_name_transfer_layer = "pool_3:0" #对应第三个pool层 
self.graph.get_tensor_by_name(self.tensor_name_softmax)

获得这个tensor后，就可以使用restore的模型得到transfer-values了，关键代码段为：

    def transfer_values(self, image_path=None, image=None): 
        """ 
        Calculate the transfer-values for the given image. 
        These are the values of the last layer of the Inception model before 
        the softmax-layer, when inputting the image to the Inception model. 
 
        The transfer-values allow us to use the Inception model in so-called 
        Transfer Learning for other data-sets and different classifications. 
 
        It may take several hours or more to calculate the transfer-values 
        for all images in a data-set. It is therefore useful to cache the 
        results using the function transfer_values_cache() below. 
 
        :param image_path: 
            The input image is a jpeg-file with this file-path. 
 
        :param image: 
            The input image is a 3-dim array which is already decoded. 
            The pixels MUST be values between 0 and 255 (float or int). 
 
        :return: 
            The transfer-values for those images. 
        """ 
 
        # Create a feed-dict for the TensorFlow graph with the input image. 
        feed_dict = self._create_feed_dict(image_path=image_path, image=image) 
 
        # Use TensorFlow to run the graph for the Inception model. 
        # This calculates the values for the last layer of the Inception model 
        # prior to the softmax-classification, which we call transfer-values. 
        transfer_values = self.session.run(self.transfer_layer, feed_dict=feed_dict) 
 
        # Reduce to a 1-dim array. 
        transfer_values = np.squeeze(transfer_values) 
 
        return transfer_values

2.3 使用cifar10数据集作为目标领域任务的数据集
通过Inception模型得到cifar10中的所有图片的transfer-values

3.如何迁移学习
到这一步，我们的任务已经很明了了。
目标领域任务：识别cifar10中的10个类别图形
迁移学习类型：源领域与目标领域数据集不同，任务相同
方法：通过源领域模型得到目标领域中数据
学习可以描述 为：使用2步得到的transfer-values放到新的模型中训练。直到达到一定的准确率。
新的神经网络为：

        with self.graph.as_default():####默认图与自定义图的关系 
            #全连接层 
            dense = tf.reshape(self.x, [-1, self.w_d.get_shape().as_list()[0]]) 
            dense = tf.nn.relu(tf.add(tf.matmul(dense, self.w_d), self.b_d)) 
 
            #dropout 
#            dense = tf.nn.dropout(dense, self.keep_prob) 
 
            #简单的softmax层 
            y_pred = tf.matmul(dense,self.w_out) + self.b_out 
 
            cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y_pred, self.y_true)) 
            optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(cost,self.global_step) 
 
            #output pred class 
            y_pred_cls = tf.argmax(y_pred,1,name='output') 
            #找到预测正确的标签 
            correct_pred = tf.equal(y_pred_cls,tf.argmax(self.y_true,1)) 
            accuracy = tf.reduce_mean(tf.cast(correct_pred,tf.float32)) 
            init = tf.global_variables_initializer() 
 
            self.session.run(init)

可以看到，其实只有一个全连接层，输出使用简单的softmax方法。

4.如何评价与检验
相信到这一步已经可以成功的进行测试了。在我的笔记本上，先是获得transfer-values消耗了2个小时，在新的网络上训练很快就达到了目标准确率，并且与参考中结果一致。

吴恩达说过：未来属于迁移学习。通过这个 小小的实验，可以发现，通过知识迁移，不仅省去了大量的时间，而且可以达到一个很高的准确率。

下一篇，计划给大家详细展示下如何保存模型与加载模型，并使用模型分类。