• 特征提取（feature extraction）: 使用之前网络学到的表示来从新样本中提取出有趣的特征。然后将这些特征输入一个新的分类器，从头开始训练

  用于图像分类的卷积神经网络包含两部分：首先是一系列池化层和卷积层，最后是一个密集连接分类器。第一部分叫作模型的卷积基（convolutional base）。对于卷积神经网络而言，特征提取就是取出之前训练好的网络的卷积基，在上面运行新数据，然后在输出上面训练一个新的分类器

  

  # 以 VGG 网络为例，构建模型示例如下：	
  	
  # 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))
  
  # 创建模型
  from keras import models 
  from keras import layers 
  model = models.Sequential() 
  model.add(conv_base) 
  model.add(layers.Flatten()) 
  model.add(layers.Dense(256, activation='relu')) 
  model.add(layers.Dense(1, activation='sigmoid'))
  
  conv_base.trainable = False   # 冻结参数
  

  

• 微调模型（fine-tuning）：与特征提取互为补充。对于用于特征提取的冻结的模型基（块1 + 块2），微调是指将其顶部的几层“解冻”（块2），并将这解冻的几层（块2）和新增加的部分（块3，本例中是全连接分类器）联合训练

(1) 在已经训练好的基网络（base network）上添加自定网络（块3）
(2) 冻结基网络（块1 + 块2）
(3) 训练所添加的部分（块3）
(4) 解冻基网络的一些层（块2）
(5) 联合训练解冻的这些层和添加的部分（块2 + 块3）

• 特征提取时已经完成了前三个步骤，微调模型额外进行了 4、5 步