深度学习使用Keras进行迁移学习提升网络性能

上一篇文章我们用自己定义的模型来解决了二分类问题，在20个回合的训练之后得到了大约74%的准确率，一方面是我们的epoch太小的原因，另外一方面也是由于模型太简单，结构简单，故而不能做太复杂的事情，那么怎么提升预测的准确率了？一个有效的方法就是迁移学习。

迁移学习其本质就是移花接木：将其他大数据集（比如ImageNet等）上得到的网络结构及其weights应用到一个新的项目中来，比如此处的猫狗二分类问题。当然，ImageNet中肯定有猫和狗这两个类别，可以说此处的小数据集是ImageNet的一个子集，但是，对于和ImageNet完全没有任何关系的其他数据集，迁移学习也有一定的效果，当然，对于两个数据集的相关性比较差的数据集，使用迁移学习可能效果不太好。

具体做法是：使用一个成熟的网络结构（比如此处用VGG16)和参数，把它的全连接层全部都去掉，只保留卷积层，这些卷积层可以看成是图片的特征提取器（得到的特征被称为bottleneck features），而全连接层是分类器，对这些图片的特征进行有效分类。对于新项目，我们要分类的类别数目并不是ImageNet的1000类，而是比如此处的2类。故而分类器对我们毫无用处，我们需要创建和训练自己的分类器。如下为VGG16网络的结构：

在这里插入图片描述
其中的Conv block 1-5 都是卷积层和池化层，组成了图片的特征提取器，而后面的Flatten和Dense组成了分类器。