複雜的深度學習模型具有數百萬個參數 (權重)，從頭開始訓練通常需要大量的資料和運算資源。遷移學習是一種技術，可藉由擷取已針對相關任務訓練的模型片段，並在新模型中重複使用，來大幅簡化此流程。
例如，本節的下一個教學課程將說明如何建構您自己的圖片辨識器，該辨識器會運用已訓練辨識圖片中數千種不同物件的模型。您可以運用預先訓練模型中的現有知識，偵測您自己的圖片類別，且使用的訓練資料遠少於原始模型所需資料。
這對於快速開發新模型以及在瀏覽器和行動裝置等資源受限的環境中自訂模型非常有用。
在執行遷移學習時，我們通常不會調整原始模型的權重。而是移除最後一層，並在截斷模型的輸出之上訓練新的 (通常相當淺層的) 模型。您將在本節的教學課程中看到示範的這項技術
如需使用 TensorFlow.js 遷移學習的其他範例，請參閱「使用預先訓練的模型」。