本文共 447 字，大约阅读时间需要 1 分钟。

将从源数据集学到的知识迁移到目标数据集上

微调（fine tuning）

微调通过将模型部分权重初始化成在源数据集上预训练的模型权重，从而将模型在源数据集上学到的知识迁移到目标数据上。

• 在源数据（例如 ImageNet）上训练一个神经网络 A。
• 创建一个新的神经网络 B，它复制了 A 上除了输出层外的所有模型参数。我们假设这些模型参数含有源数据上学习到的知识，且这些知识同样适用于目标数据集。但最后的输出层跟源数据标注紧密相关，所以不被重用。
• 为 B 添加一个输出大小为目标数据集类别数目（例如一百类椅子）的输出层，并将其权重初始化成随机值。
• 在目标数据集（例如椅子数据集）上训练 B。我们将从头开始学习输出层，但其余层都是基于源数据上的模型参数进行微调。

微调的网络中的主要层的已经训练的足够好，所以一般采用比较小的学习率，防止过大的步长对训练好的层产生过多影响。

微调的模型因为初始值更好，在相同迭代周期下能够取得更好的结果。在很多情况下，微调的模型最终也会比非微调的模型取得更好的结果。