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.blog.csdn.net/article/details/123943751

（2） VGG16特征提取：

https://mydreamambitious.blog.csdn.net/article/details/123943372

（3）有关微调和迁移学习：

https://mydreamambitious.blog.csdn.net/article/details/123906833

（4）代码下载：

模型和数据集下载-百度网盘：
链接：https://pan.baidu.com/s/1a-t8eV-A5VQdm2cJ4bkBFw
提取码：4oyg
代码下载Github:https://github.com/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