目的
深度卷積神經網絡包含大量的參數，這就要求了我們需要大量的數據來訓練它。而針對特定的一個任務，往往只有少量數據集。在此背景下，微調網絡，作爲遷移學習的一種應用，很大程度上（並不是完全）解決了這個困難，比如可以先在ImageNet、TinyImages數據集上訓練卷積神經網絡，然後將學習到的特徵表述遷移到特定的圖像分類任務，從而達到一個比較好的效果。但是當圖像的特徵分佈相差較大時，單純的遷移學習就沒有那麼有效了，比如將ImageNet直接遷移到醫學圖像上，就不能得到理想的效果。
微調訓練方案
用原始數據（一般爲有標籤且數量足夠多）訓練得到一個比較好的CNN模型，然後逐漸增加目標數據在原始數據中的比例，迭代微調CNN模型。相比於直接用目標數據，此方法往往效果更好。
CAFFE上的實現
按需調節每一層的學習參數，一般爲增大頂層的學習率，而減小（或設置爲0）底層的學習率。在CAFFE中即修改網絡配置文件中的lr_mult和decay_mult兩個參數。
由於模型加載時是按照層的名字加載的，因此當我們修改修改某一層的結構時，就要修改該層的名字才能開始訓練，比如我們往往會修改最後一層的num_ouput，這樣最後一層就要修改名字。
