遷移學習是一種很強大的深度學習技術，在實際應用中解決圖像分類等問題中效果卓越，用一句簡單的話來說就是“站在巨人的肩膀山學習”，大多數針對圖像分類任務而開源出來的遷移學習模型很多都是基於ImageNet數據集開發的，這些預訓練的模型往往都是那些谷歌、亞馬遜等大廠耗費大量的計算資源訓練幾周的時間跑出來的模型，在圖像的特徵提取計算上都有着非常不錯的性能，以至於對於我們【小批量數據+簡單神經網絡】模式的實驗來說，我們往往會選擇使用【預訓練模型+fine-tuning】的方式來高效地達到我們所需的效果，請注意，這裏是高效。
高效，這麼說是因爲並非只有基於這樣的預訓練模型才能取得好的結果，我們採用開源的網絡模型去訓練自己的深度學習模型也都是可以的，只不過那樣花費的代價可能會比較大。當然了遷移學習也並不是萬能的，在使用預訓練模型進行實驗分析的時候首先需要考慮一個很重要的地方，就是預訓練模型訓練所採用的數據集與自己的數據集內容上本質區分度高不高，或者說是差別大不大，舉個簡單的例子來說，人家的預訓練模型都是用人物的圖像數據訓練出來的，而你做的任務是交通信號分類的任務，這樣的預訓練模型可能對於你的幫助並不大，甚至還有可能會降低效果。
前言的內容這裏就說到這裏了，下面我們開始直奔主題，進入本文的實戰部分，先來看一下整個項目的結構：
其中，data是我們採集到的數據集文件目錄，results是我們呢結果的存儲目錄，model.py是我們的模塊模塊。
進入data數據目錄下，結構如下所示：
進入到trai