巨人肩膀上的迁移学习----图像分类

    Hello，又是一个分享的日子，上期博主介绍了CNN神经网络图像分类---全流程，并介绍了图像在进入神经网络前的预处理工作。今天博主给大家分享的是利用迁移学习对图像数据的分类，不可避免的，这也同样需要对图像数据进行预处理，因此还没有熟悉图像预处理的可以花上几分钟看一看博主的上一期推文。

    当然啦，说到图像分类，就离不开CNN卷积神经网络，这一期我们采用的VGG16迁移学习模型就是由CNN网络加全连接层组成的。博主也在往期的推文中也介绍了CNN卷积神经网络的原理，还不熟悉CNN卷积神经网络原理的小伙伴可以翻一下：什么？卷积层会变胖？人工智能之光---CNN卷积神经网络（原理篇），这里博主就不进行过多的赘述了。

    

   

迁移学习

原理                                                                                         

       迁移学习讲诉了一个站在巨人肩膀的故事。随着越来越多的深度学习应用场景的出现，人们不可避免会去想，如何利用已训练的模型去完成相类似的任务，毕竟重新训练一个优秀的模型需要耗费大量的时间和算力， 而在前人的模型上修修补补，举一反三无疑是最好的办法。

 

        我们这一期将选择VGG16这个模型来做迁移学习，如下图。我们可以看到VGG16最多的网络层是CNN网络，所以，我们不用把问题想得太过于复杂，这其实就是一个CNN卷积神经网络模型，只是我们借用了别人已经训练好的模型来完成我们的任务罢了。

      

    那对于这个模型，我们应该如何去利用它来完成我们的任务呢？由于我们这期采用的数据集和上一期CNN图像分类的数据集是一样的，因此我们的任务也是一样的，即对图像进行十分类。因此我们只需要将VGG16的输出层（全连接层）拆掉，换成我们想要的输出层（10分类的输出层）即可，其余层保持不变，将图像数据导入模型中训练就可以了。