【知识学习】fine-tuning
fine-tuning是指模型微调，即采用已经训练好的普适模型，去应用到相应的场景上继续更新。
其原理实质是假设参数服从一个已知的分布，通过普适模型会有一个先验值，即告诉你参数取值范围在该先验值左右，然后你再通过具体的数据去不断拟合真实场景的情况。
其应用的前提是普适模型对应的数据集是在同一个空间上的，应用比较广泛的可能是图像处理(CNN)上，由于CNN浅层的目标只是去拟合些基础的特征，轮廓、边缘信息，而这些信息在图像集上是存在共性的，并且往往普适数据集一般是比较全面、通用的数据集。
个人理解，为了提取信息是普适可用的，模型一般迭代次数、层次建构往往是越简单越ok
fine-tunning的提出，主要是为了解决以下几个问题：
- 再训练的数据集比较小，训练模型容易过拟合，故构建一个合理假设前提防止其跑偏
- 再训练的模型从头训练，一方面由于起点位置容易局部最优，另一方面需要重复迭代消耗计算时间和资源
fine-tunning的使用前提：
- 数据集相似
区别下fine-tunning和迁移学习。fine-tuning的理论提出是为了解决小数据集的限制问题，其往往是由宏观到微观的细化；而迁移学习的本质是利用相同数据集（数据切割或者抽样）的历史信息来迭代适应现在的数据，是由陈推新或者部分推整体的思路。
fine-tuning是一种精细化训练模型的手段，而迁移学习是一种学习的框架体系