1. ‌保留通用特征提取能力‌

• 预训练模型的底层（如卷积层）通常已学习到通用图像特征（如边缘、纹理），冻结这些层可避免破坏其提取能力，直接复用这些特征用于新任务‌。
• 例如，使用 ImageNet 预训练的 InceptionResNetV2 冻结前几层，保留其对自然图像的通用识别能力‌。

2. ‌减少计算量与训练时间‌

• 冻结部分层后，反向传播仅作用于未冻结层（如新增分类层），大幅减少梯度计算量，加速训练过程‌。
• 特别适用于资源受限场景（如小数据集或低算力设备）‌。

3. ‌防止小数据集过拟合‌

• 当目标任务数据量较小时，冻结大部分层可显著减少需训练的参数，降低模型复杂度，抑制过拟合风险‌。
• 例如，在交通标志分类任务中，仅解冻顶层并添加少量新层，有效避免模型过度依赖有限数据‌。

4. ‌优化迁移训练策略‌

• 通过选择性冻结与解冻（如逐层解冻），逐步调整模型对新任务的适应性，平衡特征复用与参数更新‌。
• 典型流程：
  1. 初始阶段冻结全部预训练层，仅训练新增分类层；
  2. 后续逐步解冻中间层，微调更细粒度特征‌。

总结

冻结层的核心目标是通过 ‌特征复用‌ 与 ‌参数控制‌，实现高效、稳定的迁移学习，尤其适用于数据量有限或任务相似性较高的场景‌。