Python深度学习读书笔记（四）（使用VGG16优化kaggle猫狗分类）

预训练网络：之前在大型数据集上训练好，保存好的网络。如果原始数据集足够大，足够通用，则预训练网络学到特征的空间层次结构可以有效的作为通用模型。

使用预训练网络的两种方法：

1. 特征提取：对于卷积神经网络而言，特征提取就是取出之前训练好网络的卷积基（池化层和卷积层部分）。这部分学到的表示更加通用，更适合重复使用。

         卷积层提取表示的通用性取决于层中模型的深度，更靠近底部的是局部的高度通用的特征图，靠近顶部的是更加抽象的概念。

         在添加密集连接分类器时，有两种添加方式：

             1）先运行数据，将输出结果转为Numpy数组输入密集连接分类器。无法使用数据增强。

             2）直接为提取的卷积基添加添加密集连接分类器，再在完整的网络上训练。代价高，但可以设置数据增强。

from keras.applications import VGG16

#卷积基VGG16实例化
#参数（模型初始化的权重检查点，是否包含密集连接分类器，输入到网络中张量的形状（可选））
conv_base = VGG16(weights='imagenet',include_top=False,input_shape=(150,150,3))

#使用预训练的卷积基提取特征
import os
import numpy as np
from keras.preprocessing.image import ImageDataGenerator

#此处对应笔记（三）中存放复制猫狗数据的根文件路径
base_dir='D:\\jupyter_code\\kaggle\\train1'
train_dir=os.path.join(base_dir,'train')
validation_dir=os.path.join(base_dir,'validation')
test_dir=os.path.join(base_dir,'test')

datagen=Image