- 任务匹配：如果预训练任务和新任务相差太远，效果会打折。比如，用风景模型认猫狗，可能不能抓住自己的细节。
- 过风险：大象数据太少，模型可能“死记硬背”。比如，只见过短毛猫，遇到长毛猫就懵了。
- 依赖基础：预训练模型不好，迁移也救不了。得挑个靠谱的“大师笔记”。
- 调整噪音：参数不太方便改，参数调不好，可能还原了具体的好模型。
比如，“分区自适应”技术让模型更好地适应新任务；还有“冻结层”策略，先锁住模型基础，只修改最后几页“笔记”，降低风险。
声明：本文来自网络，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。数字化转型网www.szhzxw.cn
本文由数字化转型网（www.szhzxw.cn）转载而成，来源于网络；编辑/翻译：数字化转型网（Professionalism Achieves Leadership 专业造就领导者）默然。
