概述

从猫狗识别（使用VGG16神经网络）可知，训练第8次时，发生过拟合。在数据集只有2000张图片的情况下，准确率已经达到92%

本节通过微调，让准确率再次提升

本文介绍的方法，是在猫狗识别（使用VGG16神经网络）基础之上

并且一定是发生 过拟合 后，再继续训练 否则无效

微调方法

通过猫狗识别（使用VGG16神经网络）文章中的方法，进行训练，直到发生 过拟合

此时已经将 全连接层 和 输出层 训练好

回忆上文中的模型，用到VGG16的 卷积层 和 池化层，且冻结它们的权重，所以训练时，只会改变 全连接层 和 输出层 的权重

冻结VGG16前面的m层，但可以训练后面的n层

例子：

covn_base.trainable=True

for item in covn_base.layers[:-3]:
    item.trainable=False

在之前过拟合的基础之上，再次训练

此时：vgg16的 后面n层，全连接层 和 输出层，都可以训练
学习速率要降低，如：0.00005

例子：

model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.00005),loss="binary_crossentropy",metrics=["acc"])

在卷积神经网络中，越是前面的层，图片越大，卷积核较小（一般3x3），提取的是纹理，通常提取的是通用特征

随着经过池化层，其特征图会减小，也就是说：越到后面的层，特征图越小，卷积核大小未改变（仍是3x3），此时卷积核的视野相对越来越大，提取的是更加完整的特征。如果是猫的图片，最后提取的就是猫的抽象特征

接猫狗识别（使用VGG16神经网络）文章后面写，而且 必须在训练过拟合后，继续训练，否则无效

只允许后面3层的权重可训练

covn_base.trainable=True

for item in covn_base.layers[:-3]:
    item.trainable=False

注意： 学习速度要很小

model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.00005),loss="binary_crossentropy",metrics=["acc"])

history=model.fit(train_ds2,epochs=25,validation_data=test_ds2,initial_epoch=15)

注意： 由于是 过拟合 后，再次训练，所以要设置 initial_epoch参数，表示从第16次开始训练，共训练 25-15=10次

plt.plot(history.epoch,history.history["acc"],label="acc")
plt.plot(history.epoch,history.history["val_acc"],label="val_acc")
plt.legend()