## VGG16 卷积基实例化： ~~~ from keras.applications import VGG16 conv_base = VGG16(weights='imagenet', include_top=False, input_shape=(150, 150, 3)) ~~~ * `weights`指定模型初始化的权重**检查点**。 * `include_top`指定模型最后是否包含**密集连接分类器**。默认情况下，这个密集连接分类器对应于 ImageNet 的 1000 个类别。因为我们打算使用自己的密集连接分类器（只有两个类别：`cat`和`dog`），所以不需要包含它。 * `input_shape`是**输入到网络中的图像张量的形状**。这个参数完全是可选的，如果不传入这个参数，那么网络能够处理任意形状的输入。 ***** ## 方法一： 在你的数据集上**运行**卷积基，将**输出** **保存**成硬盘中的 **Numpy 数组**，然后用这个数据**作为输入**，输入到**独立的密集连接分类器**中。 * 使用预训练的卷积基提取特征 * 定义并训练密集连接分类器 ## 方法二： 扩展`conv_base`模型，然后在输入数据上端到端地运行模型 *****