caffe是一個深度學習框架，在建立好神經網路模型之後，使用大量的資料進行迭代調引數獲取到一個擬合的深度學習模型caffemodel，使用這個模型可以實現我們需要的任務。
    如果對caffe並不是特別熟悉的話，從頭開始訓練一個模型會花費很多時間和精力，需要對整個caffe框架有一個很清楚的瞭解，難度比較高；同時，在使用資料迭代訓練自己模型時會耗費很多計算資源。對於單GPU或者沒有大的GPU計算能力的研究者會比較困難。所以，使用已經訓練好的caffe模型來進行finetuning就會是一個比較好的選擇。

    所謂fine tune就是用別人訓練好（通常是ImageNet上1000類分類訓練

）的模型引數的基礎上，加上我們自己的資料和具體的分類識別任務來進行特定的微調，以訓練新的模型。fine tune相當於使用別人的模型的前幾層，來提取淺層特徵，然後在最後再落入我們自己的分類中。
    fine tune的好處在於不用完全重新訓練模型，從而提高效率，因為一般新訓練模型準確率都會從很低的值開始慢慢上升，但是fine tune能夠讓我們在比較少的迭代次數之後得到一個比較好的效果。在資料量不是很大的情況下，fine tune會是一個比較好的選擇。但是如果你希望定義自己的網路結構的話，就需要從頭開始了。

    另外，finetuning需要的計算資源相對較少，使用的trikes相對較少，難度較低，比較適合caffe新手。在finetuning過程中熟悉caffe的各種介面和操作。

    finetuning的過程和訓練的過程步驟大體相同，因此在finetuning的過程中可以對caffe訓練過程有一個詳細的瞭解，通過一步步的訓練和finetuning，在尋找最優引數過程中加深對caffe框架的理解，為自己後續自己從頭開始訓練一個caffe深度網路模型打好基礎。

    話不多說，具體的fine-tuning流程如下：

    一、準備好自己的訓練資料和測試資料;
    二、計算資料集的均值檔案，因為資料集中特定領域的影象均值檔案會跟imagenet上比較general的資料的均值不太一樣;

    前面兩步和平時我們訓練時製作自己的資料一樣;
    三、複製一份該model檔案對應的prototxt檔案進行修改，因為finetuning的過程是讓原有訓練好的模型適應自己的資料，因此一般情況下，網路的模型並沒有大的變化。修改網路最後一層的網路名字（這樣預訓練模型賦值的時候就會因為名字的不同而重新訓練，達到適應新任務的目的）和輸出類別num_output，並且需要加快最後一層的引數學習速率（因為是最後一層要重新學習，所以將最後一層的weight和bias的lr_mult加快10倍），此外，和fc8相關的名字都要改掉;

            
    四、調整solver檔案的網路引數，通常學習數率和步長，迭代次數都要適當減少，這正式微調的本質所在;基本上就是將test_iter\base_lr\stepsize\max_iter進行相應地減小;
    五、啟動訓練，並且需要載入pretrained模型的引數。在caffe根目錄下執行： ./build/tools/caffe train -solver models/finetune_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel -gpu 0

           選取train函式，後面接具體的引數，分別為配置命令，配置檔案路徑，fine-tuning命令，fine-tuning依賴的基準模型檔案目錄，選用的訓練方式：gpu或者cpu，使用cpu時可以預設不寫。fine-tuning的過程與訓練過程類似，只是在呼叫caffe介面時的命令不同，因此在fine-tuning之前，仍然需要按照訓練流程準備資料：下載資料->生成trainset和testset->生成db->設定好路徑->fine-tuning。這過程主要呼叫的是我們修改好的solver來自我們修改好的solver.prototxt檔案，weights來自我們下載好的caffemodel。