不一定需要保证模型结构完全一样，但是迁移学习的效果通常会受到模型结构的影响。具体而言，模型结构的相似性会影响迁移学习的效果。
如果想要直接使用源任务模型的参数和权重，通常需要保证模型结构相同。因为源任务模型的参数和权重是基于一种特定的模型结构训练得到的，如果目标任务的模型结构与源任务不同，那么源任务模型的参数和权重就无法直接应用于目标任务。
如果源任务和目标任务的模型结构相似，那么可以采用模型参数微调（fine-tuning）的方法，即在源任务的基础上，用目标任务的数据重新训练模型的最后几层或所有层，以适应目标任务的数据分布。这种方法通常能够取得较好的效果，因为源任务和目标任务的数据分布比较相似。
如果源任务和目标任务的模型结构差别较大，那么可以采用知识蒸馏（knowledge distillation）的方法，即从源任务的模型中提取出隐含的知识，然后将这些知识传递给目标任务的模型。这种方法通常需要将源任务的模型压缩成一个较小的模型，以便更好地传递知识。
另外，一些迁移学习方法，如领域自适应（domain adaptation）和多任务学习（multi-task learning），可以允许源任务和目标任务的模型结构不完全相同，而能够同时学习多个任务或学习一个通用的模型来适应不同的任务。