这段代码使用 keras(tensorflow) 框架，进行分类问题->回归问题的迁移学习性能探索。
回归问题可以看作是分类问题更细粒度的特定任务；同时，分类相较于回归对标注的要求更低，因此可用于分类训练的数据集也更加多样、丰富。
我们预期通过在分类任务 (task=object+dataset) 上进行基础模型训练，随后进行回归任务训练的方式，实现性能上的迁移。
这实际上可以是_Transfer+Fine-tuning_的一种实践，而这种行为的性能增益在早期的探索中得到了研究（ Yosinski J et al, Advances in neural information processing systems, 2014 ），并在后来成为一种常见且流行的一种范式。
下面是思路流程图：
这个工作在后来COVID-19来临时，被应用到“老药新用”的场景中：
Prediction of potential commercially available inhibitors against sars-cov-2 by multi-task deep learning model
并为后续工作做了基础，文章详见：