预训练的卷积神经网络与普通卷积神经网络有什么区别

核心差别只有一点：
“预训练”的权重已经在大规模数据上收敛过一次，而普通（从零开始）网络的权重仍是随机分布的。

除此之外，网络结构、前向计算、参数量、输入输出格式完全一样；差异只体现在“权重的初始状态”和随之而来的：

1. 特征质量
   预训练 CNN 的低层边缘/纹理、中层部件、高层语义都已在百万级图片上统计出来，特征通用且判别力强；随机 CNN 则全是噪声。
2. 收敛速度
   预训练模型通常只需 1/10 ∼ 1/100 的 epoch 就能在小数据集上微调好；随机网络要从零摸索。
3. 数据需求量
   预训练网络在小数据集（几千张）也能过拟合较少；随机网络极易过拟合或根本学不到。
4. 下游任务方式
   • 预训练：冻结 backbone 只训分类头，或整体微调。
   • 随机：必须从头到尾一起训，需要大量标注和算力。
5. 适用场景
   预训练适合“数据少、算力小、想快速上线”；随机训练适合“数据极大且与预训练域差异巨大，或研究网络结构本身”。

总结：
预训练 CNN 就是“把普通 CNN 的初始权重换成已经学好特征的权重”，结构不变，能力天差地别。