【導讀】Felipe del Rio等人發表了一篇論文，闡述了ImageNet模型是否能夠遷移使用圖像推薦的問題。
在ImageNet大規模視覺識別競賽 (ILSVRC) 中訓練的卷積神經網絡 (CNN) 中的視覺嵌入，在遷移學習方面一直表現出良好的性能，在圖像推薦等多項任務中得到了廣泛的應用。然而，爲了將這些嵌入應用於更大範圍的推薦領域，一些重要的問題尚未得到回答：
(A) 在ImageNet中性能更好的CNN在基於內容的圖像推薦中是否也能更好地進行遷移學習？
(B) FNE調優是否有助於提高性能？
(C) 執行FNE調優的最佳方法是什麼？
本文將幾種CNN模型與ImageNet數據集進行了比較，以評價它們在圖像推薦任務中的學習效果。我們的結果表明，在ImageNet挑戰中性能更好的模型並不總是意味着更好地遷移學習來執行藝術圖像推薦任務(例如，NASNET與ResNet)。進一步的分析表明，FNE調優即使在一個較小的數據集下也是有幫助的，但並不是每個FNE調優都有效。
我們的結果，雖然是初步的，側重於藝術領域，可以告知其他研究人員和從業人員如何訓練他們的CNN，以便更好地在圖像推薦系統進行遷移學習。
