一句话定义：迁移学习（Transfer Learning）就是把在一个任务上学到的知识，搬到另一个相关任务上去用——尤其是新任务数据少、从头训练不划算的时候。
打个比方
你考了 C1 驾照，现在要去开一辆小货车。你不会从“什么是方向盘”重新学起，教练也只需要带你熟悉车长、盲区和载重，而不是让你重考一遍交规。已经学会的驾驶经验就是“预训练”，上路前那几天针对性练习就是“微调”。迁移学习干的是同一件事。
原理：模型到底搬走了什么
神经网络在大规模数据上预训练（pretraining）时，会顺便学到大量通用模式。视觉模型先学会边缘、纹理、形状；语言模型先学会词法、句法和常见搭配。这些“底层表示”对很多下游任务（downstream task）都有用，没必要在新任务上重学一遍。
把预训练成果搬到新任务，常见有三种姿势：
- 当特征提取器：冻结（freeze）主干网络，只拿它的输出接一个简单分类器。
- 微调（fine-tuning）：不冻主干，用较小的学习率在目标任务数据上继续训练，让通用特征向新任务偏移。
- 参数高效微调（PEFT）：只训练极少量新增参数。比如 LoRA（Low-Rank Adaptation），用低秩矩阵去近似参数更新量，主干完全不动——省显存、省存储，还能一个底座配多套任务适配器。
和相邻概念的区别
| 概念 | 关键差别 |
|---|---|
| 从零训练 | 参数随机初始化，数据和算力需求大 |
| 多任务学习 | 多个任务同时训、互相帮忙；迁移学习有“源→目标”的先后 |
| 领域适应 | 任务相同、数据分布不同（如影棚照片到手机照片），可看作迁移学习的子集 |
| 元学习 | 目标是“学会如何快速学新任务”，迁移学习只是复用已有知识 |
对实际工作的意义
对从业者：接到新需求，先问一句“有没有能复用的预训练模型”。数据只有几百上千条时，微调几乎总比从零训练划算。但要警惕两件事：分布差太远会“负迁移”（negative transfer），越学越糟；小数据上全量微调容易AI 词典：灾难性遗忘">灾难性遗忘（catastrophic forgetting），把预训练学到的东西冲掉。这也是 LoRA 这类方法流行的原因——它把改动限制在一小块参数里。
对普通职场人：你能听懂方言的语音助手、能读懂公司文档的问答工具，很多不是“重新学了一遍世界”，而是拿一个通识底座补了几百个例子。迁移学习的价值就在这儿——把昂贵的“通识”变成一次投入、多次复用。
具体某个模型支持哪种微调方式、许可范围如何，以官方页面为准。