Некоторые ключевые отличия между классическим машинным обучением и трансферным обучением:

Классический подход предполагает, что для обучения модели нужно собрать большой набор данных (датасет) и обучить нейросеть решать одну конкретную задачу. 2 Например, если в меню появится новое блюдо, то весь процесс обучения придётся начинать сначала. 2

Трансферное обучение позволяет использовать уже готовые нейросети для решения новых задач. 2 Система, обученная для одной цели, может переносить накопленные знания и помогать в решении родственных задач. 3 Например, можно взять нейросеть для работы с изображениями и дообучить её определять начинку пиццы, а в будущем адаптировать для распознавания других блюд. 2

Объём данных также отличается: для классического подхода нужны большие объёмы размеченных данных, а во многих областях таких данных просто не существует. 3 Трансферное обучение позволяет решить эту проблему, так как для него можно использовать небольшие датасеты. 23

Ресурсы и время обучения также различаются: обучать нейросети с нуля долго и дорого, а трансферное обучение позволяет значительно уменьшить затраты. 2 На обучение моделей при использовании трансферного обучения требуются минуты, а не дни. 3