在Gluon中实现迁移学习可以通过以下步骤来完成：

加载预训练模型：首先，通过gluon.model_zoo模块加载预训练的模型，例如在ImageNet数据集上训练的模型。

from mxnet.gluon.model_zoo import vision as models
pretrained_model = models.resnet50_v2(pretrained=True)

创建新的模型：根据需要进行微调或者在预训练模型的基础上添加新的层。例如，在ResNet50模型的基础上添加全连接层来适应新的数据集。

from mxnet.gluon import nn
model = nn.HybridSequential()
model.add(pretrained_model.features)
model.add(nn.Dense(num_classes))  # 添加全连接层，num_classes为新数据集的类别数

冻结预训练模型的参数：通过设置requires_grad属性来冻结预训练模型的参数，以防止它们在微调过程中更新。

for param in pretrained_model.collect_params().values():
    param.grad_req = 'null'

定义损失函数和优化器：根据需要定义损失函数和优化器。

from mxnet.gluon import loss
from mxnet import autograd
criterion = loss.SoftmaxCrossEntropyLoss()
optimizer = mx.optimizer.Adam(learning_rate=0.001)

迁移学习训练：使用新的数据集对模型进行训练，可以使用gluon.Trainer来进行训练。

for epoch in range(num_epochs):
    for data, label in train_data:
        with autograd.record():
            output = model(data)
            loss = criterion(output, label)
        loss.backward()
        optimizer.step(batch_size)

通过以上步骤，你可以在Gluon中实现迁移学习，利用预训练模型的特征提取能力，加速在新数据集上的训练过程。