它们都是相关的术语。

从上到下：

一次性学习旨在通过一个或很少的示例获得结果。想象一个图像分类任务。您可以向人展示一个苹果和一把刀，并且不需要进一步的示例来继续分类。这将是理想的结果，但对于算法而言。

为了实现一次性学习（或接近），我们可以依靠知识转移，就像示例中的人类所做的一样（我们被训练在图像处理方面表现出色，但在这里我们还可以利用其他知识，例如抽象推理能力等等）。

这给我们带来了迁移学习。一般来说，迁移学习是一种机器学习范式，我们在一个问题上训练一个模型，然后尝试将其应用到另一个问题上（经过一些调整，我们稍后会看到）。

在上面的示例中，对苹果和刀具进行分类并非易事。但是，如果我们得到一个已经擅长图像分类的神经网络，在 1000 多个类别中具有超人的结果……也许很容易使这个模型适应我们特定的苹果与刀的情况。

这种“适应”，那些“调整”，本质上就是我们所说的微调。我们可以说微调是使已经训练好的模型适应新任务所需的训练。这通常比从头开始训练要少得多，并且保留了给定模型的许多特征。

微调通常涵盖更多步骤。计算机视觉深度学习的典型流程是：

1. 获得训练好的模型（图像分类冠军）

2. 请注意，我们模型的头部与我们的需求不匹配（每个类别可能只有一个输出，而我们现在只需要两个类别！）

3. 交换模型的最后一层，使输出符合我们的需求，但保持架构的其余部分和已经训练的参数不变。

4. 在特定于我们问题的图像上训练（微调！）我们的模型（在我们的愚蠢示例中只有几个苹果和小刀）。我们通常只允许最后一层开始学习，因此它们“赶上”模型的其余部分（在这种情况下，我们谈论冻结和解冻以及判别学习率，但这有点超出了问题的范围）。

请注意，有些人有时可能会使用微调作为迁移学习的同义词，所以要小心！