论文《How transferable are features in deep neural networks》
该论文被NIPS2014收录，对于研究深度神经网络特征的可迁移性具有重要意义。本文实验了深度神经网络中不同层神经元的泛化性能和特异性，模型的迁移能力主要受到两个因素的影响：1）深度模型在越深的层，其专业性（specialization）越强，即越只能完成特定任务，这使得深度模型学习到的深层特征迁移性很差；2）模型在优化的过程中，层与层之间的参数的优化是有关联性，当固定浅层的权值，来训练高层权值时，会打破这种关联性，使得模型的能力变差，泛化能力也变差。上述两个问题在深度神经网络的不同层发生占比不一样。文章还证明了利用训练好的迁移特征，初始化一个新网络，不论初始化几层，都能够对增强模型最终的效果。对于一个深度神经网络来说，以AlexNet为例，它的第一层能够抽取对象的一些边、角特征，这些特征是具有很强的泛化能力的，而随着网络的加深，抽取的特征也越来越全局，越来越针对训练的数据集。因此，可以称模型的第一层为泛化层（general），最后一层为特异层（specific）。由此，作者提出了三个问题：1）是否可以对中间层的特异程度或者泛化程度进行量化；2）从泛化性到特异性的变化是突然的过程，还是逐渐的过程；3）这种转变发生在神经网络的什么位置。
贡献 1、量化了神经网络层的泛化程度； 2、利用训练好的深度网络得到的特征作为迁移特征，测试了上文提到的影响模型迁移能力的两个因素； 3、量化了原始任务和目标任务之间的差异对迁移特征效果的影响； 4、利用迁移特征初始化的网络模型能够增强fine-tune后模型的泛化能力。
如果目标数据集较小，模型的参数较多，那为了避免过拟合，可以将前面几层参数固定，只训练后几层；如果数据集较大，模型参数并不多，则可以全部进行训练。以上就是我们常见的finetune的过程。
神经网络层与层之间有着一种共同训练的关系，如果固定一边，则很有可能影响到网络的训练结果。这同时说明了一个问题，中间层互相之间的连带影响要比浅层或者深层大；
