迁移学习

迁移学习（transfer learning）：将训练好的模型（预训练模型）参数迁移到新的模型来优化新模型训练。

因为大部分的数据和任务都是存在相关性的，所以可以通过迁移学习将预训练模型的参数（也可以理解为预训练模型学到的知识）通过某种方式迁移到新模型，进而加快并优化模型的学习效率。

（1）直接迁移：冻结预训练模型的全部卷积层，删除预训练模型的全连接层，添加并训练自己定制的全连接层。

（2）提取特征向量：抽取预训练模型的卷积层对所有数据的特征向量，将特征向量灌入自己定制的全连接网络。

（3）Fine-tune：冻结预训练模型的部分卷积层，甚至不冻结任何网络层，训练非冻结层和自己定制的全连接层。

VGG

VGG是由牛津的Visual  Geometry Group提出的预训练模型，所以VGG名字的由来就是提取这三个单次的首字母。

VGG的结构有两种：

16层结构（13个卷积层和3个全连接层）

19层结构（16个卷积层和3个全连接层）

VGG16采用的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和max pooling层（2x2）

为什么采用3x3卷积核：原因很简单，对于给定的感受野，使用堆叠的小卷积核是优于采用大的卷积核，因为多层非线性层的堆叠能够增加网络深度，从而保证模型能够学习更复杂的模式，  而且因为小卷积核的参数更少，所以整个网络的计算代价较小。

VGG16只能识别48*48大小的图像，能够识别1000类的物体。

VGG16与图像分类：拆掉VGG16的全连接层，定制自己的全连接层，以适应我们当前的任务。