用迁移学习模型提升模型精度，对于生产实践真的太棒了，为了得到结果，为了利润，用这个再好不过，但是不利于你学习底层原理吧。
就像你平常自己学习，直接拿来巨人的东西来用，可以提升自己的精度，但是如果你能够亲身体会巨人的经历，就会有更深刻的理解，这和机器进行迁移学习是一样的，我们从零开始学习如何构建模型是有必要的，有时候学术需要甚至需要探到最底层去看看，原理到底是什么，公式是什么。
特征抽取：feature extraction
用 tensorflow 的模型进行学习，案例比如，根据图片分类十个 food 食物数据，那么可以直接用官方的模型比如微软的 resnet，或者谷歌的 efficientnet，都很棒，只需要百分之十的数据，就可以得到比自己训练更好的精度。
特征抽取就是，冻结模型原有的参数，只训练输出层的数据，比如我要十个分类数据，那我就设置十个分类结果。而原有的模型其实是在 100 个分类结果的设定上进行训练的。
通过特征抽取，就可以用，更少的数据量，训练出，更适合特定问题的模型。
打比方，比如一个高材生认识一百种动物，但是你想让他成为猫狗分类大师，所以用一点数据，告诉他以后你就干猫狗分类就行了。就这种意思。