用Keras进行猫狗识别（四）

背景

  在上一篇文章我们引用了VGG16模型，通过删除其全连接层，再加上自己的全连接层进行训练，达到了90%的正确率。但是还有一种方法，就是微调模型，这个方法配合特征提取可以达到一个更好的高度。

  什么是微调模型呢？就是通过解冻VGG16最后的几层，通过与训练好的全连接层联合训练的方式，来达到我们的目的，也就是对已经训练好的网络进行微调。
  为什么只解冻后边几层呢？如果了解过卷积神经网络的话，我们可以知道，网络越是靠后，它提取出来的特征越是笼统，越是靠前，它提取的特征越散，总结来说修改哪里其实都是能提高正确率的，但是，修改前边的网络性价比很低，相比于修改后边的网络，效果不是那么显著，而且我觉得牵一发而动全身，前边的网络都改了后边的怎么能不改呢。

数据准备

猫狗识别的数据，kaggle比赛
训练集2000张
验证集1000张

步骤

1. 在已经训练好的网络上添加自定义网络。（特征提取）
2. 冻结基网络
3. 训练所添加的部分
4. 解冻基网络的一些层
5. 联合训练解冻的这些层和添加的部分

在猫狗识别（三）中，我们实现了前三个步骤，使用VGG16网络+自己写一个全连接层，冻结VGG16网络后进行训练，训练好后将VGG16的卷积块5解冻，调小学习率，再进行训练。

代码

代码的改动不多，主要分为下边几个部分：

卷积块5的解冻：

conv_base.trainable = True

set_trainable = False
for layer in conv_base.layers:
    if layer.name == 'block5_conv1':
        set_trainable = True
    if set_trainable =