文章目录
1.VGG16训练结果：2.微调ResNet50之后的训练结果：3.结果分析：4.实验效果：（1）VGG16模型预测的结果：（2）在ResNet50微调之后预测的效果：5.相关代码和知识点：（1）VGG16网络结构：（2） VGG16特征提取：（3）有关微调和迁移学习：（4）代码下载：（5）文件的结构：6.训练VGG16模型和微调之后的ResNet50模型：（1）下载requirements.txt文件和创建新环境：（2）训练VGG16：（3）训练resent50模型：（4）运行Flask.py文件：1.VGG16训练结果：
注解：因为这个训练时间太长，我自己的配置也是CPU，所以这里只训练了两代；从上面的结果来看，最后的验证准确率在50%左右。
2.微调ResNet50之后的训练结果：
注解：这里也是训练两代（虽然训练的时间较少，便于和VGG16模型对比）；从上面的结果来看，微调ResNet50之后训练的结果比VGG16要好10个百分点左右，说明对于我们目前来说，微调是一种很好的选择方式（因为对于多数来说，没有这样的硬件配置和足够的资源）。
3.结果分析：
从上面的对比结果来看，微调明显要好于我们直接训练模型，当然我这里只训练了2代，对于继续往后面训练的结果还不能完全下结论，但是对我们这样的硬件资源来说，微调无疑是最好的选择方式，不仅是速度的提升，还有性能的提升；但是总体来看这两个模型在训练过程中，其中ResNet50有点过拟合。
4.实验效果：
（1）VGG16模型预测的结果：
（2）在ResNet50微调之后预测的效果：
5.相关代码和知识点：
（1）VGG16网络结构：
https://mydreamambitious./article/details/123943751
（2） VGG16特征提取：
https://mydreamambitious./article/details/123943372
（3）有关微调和迁移学习：
https://mydreamambitious./article/details/123906833
（4）代码下载：
模型和数据集下载-百度网盘：
链接：/s/1a-t8eV-A5VQdm2cJ4bkBFw
提取码：4oyg
代码下载Github:/KeepTryingTo/-.git
（5）文件的结构：
6.训练VGG16模型和微调之后的ResNet50模型：
（1）下载requirements.txt文件和创建新环境：
注意：最好自己再重新创建一个python环境：
创建方法： 第一：进入以下：
第二：
当提示[y/n]：输入yes:
后面的就是进入自己创建的python环境：
下载requirements.txt:pip install requirements.txt
注意：这里新创建的环境并不会和你之前的python环境相冲突：
第三：进入Pycharm中，打开项目，选择刚才创建的环境：
选择好之后点击OK。
环境配置后之后就可以训练和测试了；这里我已经训练好了两个模型：
（2）训练VGG16：
终端输入： python main.py
（3）训练resent50模型：
终端输入：python mainResNet50.py:
（4）运行Flask.py文件：
注意：这里需要转入到当前文件的目录下： 终端输入：cd Flask 终端输入: python Flask.py
手动搭建的VGG16网络结构训练数据和使用ResNet50微调（迁移学习）训练数据对比（图像预测+前端页面显示）
如果觉得《手动搭建的VGG16网络结构训练数据和使用ResNet50微调（迁移学习）训练数据对比（图像》对你有帮助，请点赞、收藏，并留下你的观点哦！
