我们提出了一种新的度量方法来评估分类器所学习表示的可迁移性。该度量方法称为对数预期经验预测（Log Expected Empirical Prediction, LEEP），简单且易于计算：当给定一个在源数据集上训练的分类器时，只需要将目标数据集通过该分类器运行一次即可。我们从理论上分析了LEEP的性质，并通过实验证明了其有效性。我们的分析表明，LEEP可以预测迁移学习和元迁移学习方法的性能和收敛速度，即使对于小规模或不平衡的数据也是如此。此外，LEEP的表现优于最近提出的其他可迁移性度量方法，如负条件熵和H分数。特别值得注意的是，在从ImageNet迁移到CIFAR100的过程中，LEEP在与实际迁移准确率的相关性方面比最佳竞争方法提高了高达30%。