迁移学习是指将一个已经训练好的模型的知识迁移到另一个相关任务上，以加快新任务的学习过程。在Torch中进行迁移学习可以通过以下步骤实现：

加载预训练模型：首先，加载一个已经在大规模数据集上预训练好的模型，例如ResNet、VGG等。

import torchvision.models as models
model = models.resnet18(pretrained=True)

修改模型结构：通常情况下，我们需要修改模型的最后一层，以适应新任务的类别数目。

import torch.nn as nn
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, num_classes)

冻结部分网络层：为了避免过拟合，通常会冻结部分网络层，只训练最后一层。

for param in model.parameters():
    param.requires_grad = False

定义损失函数和优化器：根据具体任务定义损失函数和优化器。

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

训练模型：利用新任务的数据集对模型进行训练。

for epoch in range(num_epochs):
    for inputs, labels in dataloader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

通过以上步骤，就可以在Torch中进行迁移学习，将已有模型的知识应用到新的任务上。