Keras中可以使用預訓練模型來進行遷移學習或者微調。以下是使用預訓練模型的一般步驟：

1. 導入所需的預訓練模型，比如VGG16、ResNet50、InceptionV3等。這些模型可以在Keras的applications模塊中找到。

from keras.applications import VGG16

2. 實例化預訓練模型，并指定是否包含頂層分類器。通常情況下，我們會去掉頂層分類器，因為我們要根據自己的數據集重新訓練一個新的分類器。

base_model = VGG16(weights='imagenet', include_top=False)

3. 在實例化的模型上添加新的分類器層。這個新的分類器層將會根據你的數據集進行訓練。

x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu')(x)
predictions = Dense(num_classes, activation='softmax')(x)

model = Model(inputs=base_model.input, outputs=predictions)

4. 凍結預訓練模型的權重。通常情況下，我們會先凍結預訓練模型的權重，只訓練新添加的分類器層。

for layer in base_model.layers:
    layer.trainable = False

5. 編譯模型并進行訓練。

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))

6. 如果需要微調模型，可以解凍部分或全部預訓練模型的層，并重新編譯模型。

for layer in base_model.layers[:100]:
    layer.trainable = True

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))

通過以上步驟，你就可以使用預訓練模型來進行遷移學習或者微調。