fine-tuning是微调的意思，是用别人训练好的模型(即pre-trained model)，加上我们自己的数据，来训练新的模型。fine tune相当于使用别人的模型的前几层，来提取浅层特征，然后在最后再落入我们自己的分类中。

一般来说我们自己需要做的方向，比如在一些特定的领域的识别分类中，我们很难拿到大量的数据。因为像在ImageNet上毕竟是一个千万级的图像数据库，通常我们可能只能拿到几千张或者几万张某一特定领域的图像，比如识别衣服啊、标志啊、生物种类等等。在这种情况下重新训练一个新的网络是比较复杂的，而且参数不好调整，数据量也不够，因此fine-tuning微调就是一个比较理想的选择。

 

如果想网络中某几层参数不变，可以设置对应learning rate为0让这些层的参数不学习

 

关于fine-tuning两个比较好的博客：

http://www.cnblogs.com/louyihang-loves-baiyan/p/5038758.html

http://www.cnblogs.com/alexcai/p/5469478.html

知乎上的一个问题：

https://www.zhihu.com/question/35754716

 

实践中总结：对于fine-tuning,网络中层的名字一模一样的会复用参数，名字不一样的会去做初始化。

对于相同的名字的层，如果输入输出与fine-tuning的不一样，就会报如下错误：

很明显，报错是shape不一样。名字相同，会认为是同一个层，但实际的输入输出又不同，即参数个数都不相同，就会报错。

 

对于一个网络，fine-tuning的类是21类，你的类是2类，但你的网络结构与fine-tuning的几乎一模一样，只是输出的类别数目不同，这个时候你可以保持前面几层不变，改变最后一两层的输入输出，但这时也必须同时改已经修改了输入输出个数的层的名字。名字不相同了，就不会赋值而去初始化。如果不改，相同名字的层的shape不同了，又要报错。