Tensorflow 迁移学习[实现]

当我们要使用神经网络解决某一问题时，有时我们并不需要从0开始训练一个网络，因为训练一个较为复杂的网络，不仅会消耗很多时间也需要较大的数据集。

我们可以使用别人在解决与我们类似的问题时，已经训练好的网络和相应的参数，将网络结构进行“微调”，使得它适合我们的问题，最后在我们的数据集上进行再次的训练。

例如，在解决图像分类问题时
我们可以使用已经在大型的数据集上训练好的InceptionV3网络。

由于卷积层的主要作用是对图像特征的提取，并且在前几层卷积层，提取的方法（权重）基本相同。都是通过寻找图片中的 边，线，轮廓，然后组合。所以在使用InceptionV3时，我们可以锁住前面的卷积层的权重（训练时不进行更新），仅仅对后面的全连接层的参数进行训练。不仅可以保证准确率还能提高训练所需的时间。

---

实现：
（1）预定义InceptionV3网络，加载参数，锁住卷积层，或者卷积层的输出

import os

from tensorflow.keras import layers
from tensorflow.keras import Model
#下载网络参数，放置在 /tmp/
!wget --no-check-certificate \
    https://storage.googleapis.com/mledu-datasets/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5 \
    -O /tmp/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5