例如对于图像分类任务，有自己的数据集，打算利用 resnet 来实现，有2种实现方式，
- 第一种：利用在 ImageNet 上已经预训练过的预训练权重来进行 fine-tuning。
- 第二种：不使用在 ImageNet 上已经预训练过的预训练权重，而是利用自己的数据集来从头开始训练resnet。
那么这两种情况，第一种方式属于使用迁移学习，第二种不属于迁移学习
-
利用在 ImageNet 上已经预训练过的预训练权重来进行 fine-tuning：这种方式属于迁移学习。你利用在大规模数据集（ImageNet）上预训练好的模型权重，然后在你的特定任务（你自己的数据集）上进行微调。这种方法通常可以加快训练速度，并且因为模型已经学习到了很多通用特征，可能会提高性能。
-
不使用在 ImageNet 上已经预训练过的预训练权重，而是利用自己的数据集从头开始训练 resnet：这种方式不属于迁移学习。这是一种从头开始（scratch）训练模型的方法，所有的权重都是随机初始化的，然后在你的数据集上进行训练。这种方法通常需要更多的计算资源和时间，而且对数据量的要求也更高。
总结：第一种方式是迁移学习，第二种方式不是迁移学习。
