目的

深度卷積神經網路包含大量的引數，這就要求了我們需要大量的資料來訓練它。而針對特定的一個任務，往往只有少量資料集。在此背景下，微調網路，作為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資料集上訓練卷積神經網路，然後將學習到的特徵表述遷移到特定的影象分類任務，從而達到一個比較好的效果。但是當影象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直接遷移到醫學影象上，就不能得到理想的效果。

微調訓練方案

用原始資料（一般為有標籤且數量足夠多）訓練得到一個比較好的CNN模型，然後逐漸增加目標資料在原始資料中的比例，迭代微調CNN模型。相比於直接用目標資料，此方法往往效果更好。

CAFFE上的實現

按需調節每一層的學習引數，一般為增大頂層的學習率，而減小（或設定為0）底層的學習率。在CAFFE中即修改網路配置檔案中的lr_mult和decay_mult兩個引數。
由於模型載入時是按照層的名字載入的，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。