前言

训练神经网络是一件非常耗费时间的事情，其需要大量的算力以及大量的数据。显然从头开始训练并不是明智之选，利用好已有的资源才是明智之选。

微调技术

图像识别笼统地可以分为两步：

1. 提取图片的特征，此部分往往通过CNN卷积神经网络实现。
2. 根据提取的特征，进行分类，此部分往往通过全连接神经网络来实现。

• 识别一只猫和识别一只狗有没有类似的地方呢？
  答案是有的，它们在提取图片特征都是非常相似的。
  考虑CNN中卷积的作用，它就是在识别不同的边缘，因此无论是猫，还是狗，图片特征都是类似的，但是如何根据这些特征来学习才是关键。

预训练模型

在图像识别中，有许多经典的神经网络，例如vgg，resnet等，对于这些经典的网络，pytorch都是提供了训练模型好的模型的。这些某些都是在ImageNet上训练好的，有较高的精确度。利用训练好的某些进行图片特征的提取，就能够大大减少训练的耗时。

代码实现

import torch
from torch import nn
from torch.nn import functional as F
from torchsummary import summary

net = torchvision.models.resnet18(pretrained=True)
    
net.fc = nn.Linear(net.fc.in_features, 5)
nn.init.xavier_uniform_(net.fc.weight)
summary(net , input_size=(3,224,224) , device="cpu")

lr = 0.0005
loss = nn.CrossEntropyLoss(reduction="mean")

params_1x = [param for name, param in net.named_parameters()
    if name not in ["fc.weight", "fc.bias"]]
trainer = torch.optim.SGD([{'params': params_1x},{'params': net.fc.parameters(),'lr': lr * 80}],lr=lr, weight_decay=0.001)
epochs = 15

其实非常简单，甚至比自己完全手动定义神经网络都简单，因为它完全不需要自己定义网络结构。
但是这些与训练模型并不是能够直接拿过来就能使用的，还需要一些修改：

1. 修改最后的类别数
   在ImageNet中，其最后的全连接层是一个输出为 1000 1000 1000的向量，也就是代表着 1000 1000 1000个类别，在实际中，需要根据当前识别认为的类别数进行修改。
2. 学习率
   一般来说，预训练好的参数无需修改，可以将其设为无需学习的参量，也可以将其的学习率设置的非常小。而对于最后的全连接层，也就是对提取出来的图片信息进行分类的网络，其学习率就要比较大了。

作用与意义

微调技术可谓是没有足够算力人的福音了，其大大减少了训练的成本。

1. 提取图像特征的CNN网络往往更加靠近输入，通过梯度反向传播进行训练，往往需要比靠近输出的全连接网络更耗费时间。
2. 利用微雕技术，可以在极短的时间内得到一个非常好的结果，在5轮迭代之后就已经可以达到91%的正确率了；15轮迭代就能达到97%的正确率。
   

不足与局限性

并不是所有情况都能使用微调技术的，在图片特征出现显著差异的时候，使用微调技术往往不能得到满意的结果。
比如，在ImageNet上训练的模型都是基于正常图片的，但是如果将它用于识别医学影像（X光片等）就会导致失败。同样用这个模型去识别卡通图片也往往会识别。