在自己的數據集上訓練一個新的深度學習模型時，一般采取在預訓練好的模型上進行微調的方法。什么是微調？這里已VGG16為例進行講解，下面貼出VGGNet結構示意圖。
上面圈出來的是VGG16示意圖，也可以用如下兩個圖表示。
如上圖所示 ，VGG16的結構為卷積+全連接層。卷積層分為5個部分共13層，即圖中的conv1~conv5。還有3層是全連接層，即圖中的fc6、fc7、fc8。卷積層加上全連接層合起來一共為16層，因此它被稱為VGG16。如果要將VGG16的結構用於一個新的數據集，首先要去掉fc8這一層。原因是fc8層的輸入是fc7的特征，輸出是1000類的概率，這1000類正好對應了ImageNet模型中的1000個類別。在自己的數據中，類別數一般不是1000類，因此fc8層的結構在此時是不適用的，必須將fc8層去掉，重新采用符合數據集類別數的全連接層，作為新的fc8。比如數據集為5類，那么新的fc8的輸出也應當是5類。
此外，在訓練的時候，網絡的參數的初始值並不是隨機化生成的，而是采用VGG16在ImageNet上已經訓練好的參數作為訓練的初始值。這樣做的原因在於，在ImageNet數據集上訓練過的VGG16中的參數已經包含了大量有用的卷積過濾器，與其從零開始初始化VGG16的所有參數，不如使用已經訓練好的參數當作訓練的起點。這樣做不僅可以節約大量訓練時間，而且有助於分類器性能的提高。
載入VGG16的參數后，就可以開始訓練了。此時需要指定訓練層數的范圍。一般來說，可以選擇以下幾種范圍進行訓練：
（1）：只訓練fc8。訓練范圍一定要包含fc8這一層。因為fc8的結構被調整過，所有它的參數不能直接從ImageNet預訓練模型中取得。可以只訓練fc8，保持其他層的參數不動。這就相當於將VGG16當作一個“特征提取器”：用fc7層提取的特征做一個Softmax模型分類。這樣做的好處是訓練速度快，但往往性能不會太好。
（2）：訓練所有參數。還可以對網絡中的所有參數進行訓練，這種方法的訓練速度可能比較慢，但是能取得較高的性能，可以充分發揮深度模型的威力。
（3）：訓練部分參數。通常是固定淺層參數不變，訓練深層參數。如固定conv1、conv2部分的參數不訓練，只訓練conv3、conv4、conv5、fc6、fc7、fc8的參數
微調的原理大致意思就是先看懂網絡的結構圖，然后把網絡的一部分修改成自己需要的模型。這種訓練方法就是所謂的對神經網絡模型做微調。借助微調，可以從預訓練模型出發，將神經網絡應用到自己的數據集上。