知乎上的猫狗识别案例 这个作者说的非常好，但是我卡在了运用他训练的.h5文件参数等跑我们自己的猫狗数据集时，数据维度就对不上，只能按照他的（25000，,2048）这个维度来，行不通。不过这个尝试让我学会怎么把超过100MB的文件上传到Jupyter notebook中，就是先上传到OBS中，然后用MOdel.session把文件下载进来就ok（ps:速度确实是快）
做了好几天，发现在不使用'imagenet'预训练出的文件情况下，始终找不到办法提高准确率(Xception，InceptionV3)，Xception在几轮之后就开始过拟合，InceptionV3训练准确率一直提不上去[可能是我不会调节神经网络的层数或者参数。。][以后会了还会把猫狗识别这个案例调节上去的，等以后学的多了再过来看看吧]。做到最后有点沮丧，所以就拿三个Xception InceptionV3 还有VGG19三个模型的imagenet做训练，顺便还找了个VGG16的'imagenet’预训练文件试了试，做到最后还有有点小发现的。
因为cpu一直用不掉 用cpu做一次训练 发现速度真的是可以了(基本上一个epoch就要3,4个小时)，算了还是GPU吧
读取.h5文件的权重，因为Jupyter notebook我这里下载预训练文件很慢，我把他们下载到了本地，通过OBS服务上传到Jupyter notebook中(速度很快)
base_model = InceptionV3(weights=None, include_top=False,input_shape=(rows, cols, channels), pooling='avg') base_model.load_weights('./inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5') 然后通过这两句话进行模型建立就好，看好.h5文件存放位置就可以
使用Imagenet后在训练集上很好，但是测试集效果一般，过拟合现象，最后跑到测试集上啥用没有
和XceptiXception一样，也是过拟合
在VGG19中，发现无参运行下，10轮下来，模型几乎没有提升，而在imagenet情况下，发现前几轮训练很差，但是7轮之后速度飞速上升， 这个是参数没有预训练的，
这个是参数预训练的
很明显，没有预训练过的在10epoch之中几乎没有显现效果，预训练过的在前期也很low，但是7epoch下来之后开始飞速上涨。（小惊喜）。
这个是带预训练的，和VGG19很类似，前期比较low，但是后期涨得快，和不带预训练的有所差异。(图片上的标题写错了，是VGG16)
所有预训练的.h5文件我下载到本地了，各位想下载的可以云盘
最后，Github项目地址
[个人感觉，这16期活动，都能开个培训班了~~~~]