一.迁移学习有效性依据：
因为现有的机器学习，特别是深度学习的各种模型，在能充分满足设计时的任务需求之外，往往具备稍加修改就能适用类似任务的能力。这种可能性，就为节省研发资源，以及将大数据机器学习成果转移到小数据、定制化应用等等提供了一个便捷的渠道。类比人类活学活用的智能：比如一个人扎实地学会了蛙泳，只需要稍加练习，也能较快掌握自由泳的技巧；一个人学会了打网球，那么要学习打壁球也非常容易。
这种举一反三的能力，既得益于人类的智能，也依赖于学习对象之间的某种类比相似性。而机器学习中的很多模型，恰恰在特定领域具有类似的智能。比如用于图像识别的深度神经网络，在使用百万量级的图片，完成针对特定一千种物体识别的训练以后，它不光能胜任这一千种物体的识别，而且它的整个网络结构、参数设置使它也有可能适应其它物体的图像识别。
迁移学习分类：
从具体操作的角度，可以有：
样本迁移，即将任务A中部分适合任务B的数据抽取出来，与其它数据一起针对任务B进行训练；
特征迁移，比如用于识别小轿车的神经网络，那些用来识别车轮车窗的网络参数，可以直接迁移到卡车识别的神经网络，再辅以卡车图像数据，就能事半功倍地训练出卡车识别网络。
模型迁移，这个跟特征迁移类似，但是更简单粗暴，不光是特征被迁移用来类似任务，而且是这个模型都被迁移。这个模式的实际案例非常多，很多研究成果都是将AlexNet、GoogLeNet等模型迁移到特定的任务。当然也会根据需求略作改进和添加新的辅助功能，但是总体上看，节省了大量的开发时间、也节省了大量用于学习的计算资源，还能取得相当甚至更好的效果。
关系迁移，即将事物间的相互关系类推到类似事物。这个可能在NLP等有具体规则的机器学习领域更为常见，比如 man->woman, 可以类推到king->queen，还可以推广到更多词汇的机器理解。
实例心得详见：http://www.infoq.com/cn/news/2016/12/Two-Caffe-practical-migration