在迁移学习中应注意以下问题：
目标领域和源领域之间的差异：在迁移学习中，不同的领域可能存在数据分布、特征分布等方面的差异，需要注意这些差异对模型性能的影响。
标签稀疏性：在迁移学习中，目标领域的标签可能稀疏，这会影响模型的泛化能力，需要采取相应的策略来解决标签稀疏性问题。
领域适应：迁移学习中的领域适应问题指的是如何使模型在源领域训练的知识适应到目标领域上，需要注意如何有效地进行领域适应。
迁移学习策略选择：在迁移学习中，需要选择合适的迁移学习策略，如基于实例的迁移、基于特征的迁移、基于模型的迁移等，以提高模型的性能。
避免过拟合：在迁移学习中，需要注意避免模型在目标领域上的过拟合问题，可以采取一些正则化策略或者数据增强等方法来减少过拟合风险。