深度学习迁移学习方法的妙用（有效提升准确率）专栏

由于我们的数据集的文件名是以type.num.jpg这样的方式命名的，比如cat.0.jpg，但是使用Keras的ImageDataGenerator需要将不同种类的图片分在不同的文件夹中，因此我们需要对数据集进行预处理。这里我们采取的思路是创建符号链接(symbollink)，这样的好处是不用复制一遍图片，占用不必要的空间。

我们可以从下面看到文件夹的结构，train2里面有两个文件夹，分别是猫和狗，每个文件夹里是12500张图。├──test[12500images]├──test.zip├──test2│└──test->../test/├──train[25000images]├──train.zip└──train2├──cat[12500images]└──dog[12500images]1.2分割训练集和测试集合这部分工作不再赘述。

迁移学习是一个很有意义的技术，它能够直接利用一个身经百战的模型脑子里的知识来学习新的数据集，达到与之前相当、甚至比之前的模型还好的表现。

在Imagenet数据集上预训练过的权重，靠近输入的那几层卷积层一般都是识别各种边缘信息或者颜色信息，除非是与Imagenet差异非常大的数据集。VGG16是一个很经典的模型，它的特征提取部分只使用了3×3的卷积核，以及2×2的池化层。在它之前很多人都认为巻积核要比较大才能识别更大的区域，不过根据计算可以知道，两个卷积核大小为3×3的卷积层可以有效覆盖5×5的区域，同时还可以减少计算量，以及增加非线性能力，这也是VGG系列模型的核心思想，就是减小卷积核，加深网络，如图9-3所示。

VGG的名字来自于VisualGeometryGroup，这是牛津大学的一个实验室。他们发的论文标题也很直接：VeryDeepConvolutionalNetworksforLarge-ScaleVisualRecognition，意思是用于大规模视觉识别的非常深的卷积神经网络。

融合模型的方法很简单，首先将特征提取出来，然后拼接在一起，构建一个全连接分类器训练就可以了模型融合能够提高成绩的理论依据是，有些模型辨认猫准确率高，有些模型辨认狗准确率高，给这些模型不同的权重，让它们能够取长补短，综合各自的优势。为了能够更好地融合模型可以提取特征进行融合，这样会有更好的效果，弱特征的权重会越学越小，强特征会越学越大，最后得到效果非常好的模型。