先有Source Data进行训练，再用Target Data进行迁移学习。 为了防止过拟合的发生，我们通常选择上图所示的方式，就是固定大多数的参数，只对神经网络中的某一些层进行迁移训练，根据以往的经验，总结出了规律：也就是当遇到语音识别的问题时，往往固定最后面的参数，然后用Target Data训练前面的层的参数，然而当遇到Image问题时，通常选择保存前面的层的参数，然后对后面的层的参数进行微调。
Zero/One-shot learning都属于transfer learning，均是将学习得到的模型迁移到其它问题中去。
Zero-shot learning指的是之前没某个类别的训练样本，但是我们可以学习到一个映射X->Y。如果这个映射足够好的话，我们就可以处理没有看到的类了。
One-shot learning 指的是我们在训练样本很少，甚至只有一个的情况下，依旧能做预测。