我认为你混淆了你在这里所做的条款。该任务称为迁移学习，您可以对模型进行微调。

1. 推理是，经过实验我们发现CNN的早期层捕获图像的一般特征，例如边缘、线条等，而后面的层捕获更具体的特征，例如人脸、物体的形状。我们只希望改变少数层，甚至只改变输出分类层。

2. 预训练模型使用最有可能比您的数据集大的数据集进行训练。同样由于原因 1，并且我们使用更大的数据集对其进行了训练，我们的前几层能够很好地泛化，因此可以帮助您对抗过度拟合。

3. 这样做可以节省时间和资源。首先，因为您只在最后几层内进行反向传播。

4. 在架构方面，人们花时间研究每个特征如何与图像交互，因此建议使用这种架构，并且发布/公开的结果意味着它给出了很好的结果。

所以一般来说，除非你有很强的理由不这样做，否则建议对图像分类进行迁移学习。有很多资源告诉你如何去做。

Imo，VGG16已经过时了，它也很重，效率很低。您可能想检查效率网。

关于 CNN 过滤器的媒体资源。介质来源