ao treinar CNNs utilizando transferência de aprendizado, começamos com um modelo pré-treinado e executamos numa nova tarefa qualquer, sem precisar se preocupar com o formato e o tipo de dados.

ao treinar CNNs utilizando transferência de aprendizado para ajuste fino, começamos com um modelo pré-treinado e atualizamos todos os parâmetros do modelo para nossa nova tarefa, basicamente retreinando todo o modelo.

uma rede neural convolucional pode ser utilizada para reconhecer os mais variados tipos de dados. Por exemplo, textos, imagens e dados de clientes. Para isso, basta que os dados de entrada sejam transformados por alguma técnica de extração de características em simples vetores de características.

as últimas camadas convolucionais de uma rede neural CNN são capazes de extrair características mais baixo nível dos dados, como linhas, círculos e pontos, enquanto as primeiras camadas extraem características mais alto nível, detalhes mais específicos dos objetos reconhecidos.

as camadas de pooling das CNNS são capazes de extrair características de médio nível, reconhecendo características que são mais detalhadas que as primeiras camadas convolucionais.