# 简要介绍
以目标识别任务为例，假设有一个已经训练好的模型 A，其任务是识别（猫，狗，人，鸡，鸭，鹅）这 6+1（背景）个类别的目标，当我们的需求发生变化，需要再增加一类目标 “猪” 时，如果采用重新训练一个新模型 B 的方式无疑会增加成本，而且造成了资源浪费 ——A 和 B 的模型需求相似度高，我们为什么不可以利用到已经成熟的模型 A 呢？
解决以上问题的方案就是 fine-tune，微调！比如针对于以上举例，可以采用的一个微调策略是保留模型 A 的前若干层的结构以及它们训练后的权重，然后更改模型最后一层的 softmax，调整其映射到（猫，狗，人，鸡，鸭，鹅，猪）+ 背景这八个类别，这样就大大减少了训练的时间和计算成本。
其实还可以这么理解 fine-tune：我们的目标是使预测损失最小化，在各个参数展开的空间内找到最优的点（或者是靠近最优点的点），如果从开始找，当然比较慢；但是从之前已经训练好的其他类似模型开始，就相当于在最优点附近的点开始，自然收敛的速度和效果会比从零训练好得多。
# 为什么要微调
# 什么情况下使用微调
# 不同数据集上使用微调
# 微调指导事项
