我尝试使用VGG16网络进行图像分类。我尝试了两种不同的方法，据我理解，这两种方法应该是大致等效的，但结果却大不相同。

方法1： 使用VGG16提取特征，并使用自定义的全连接网络来拟合这些特征。代码如下：

model = vgg16.VGG16(include_top=False, weights='imagenet',                    input_shape=(imsize,imsize,3),                    pooling='avg')model_pred = keras.Sequential()model_pred.add(keras.layers.Dense(1024, input_dim=512, activation='sigmoid'))model_pred.add(keras.layers.Dropout(0.5))model_pred.add(keras.layers.Dense(512, activation='sigmoid'))model_pred.add(keras.layers.Dropout(0.5))model_pred.add(keras.layers.Dense(num_categories, activation='sigmoid'))model_pred.compile(loss=keras.losses.categorical_crossentropy,                   optimizer=keras.optimizers.Adadelta(), metrics=['accuracy'])(xtr, ytr) = tools.extract_features(model, 3000, imsize, datagen,                                    rootdir + '/train',                                    pickle_name = rootdir + '/testpredstrain.pickle')(xv, yv) = tools.extract_features(model, 300, imsize, datagen,                                  rootdir + '/valid1',                                  pickle_name = rootdir + '/testpredsvalid.pickle')model_pred.fit(xtr, ytr, epochs = 10, validation_data = (xv, yv), verbose=1)

（函数extract_features()只是使用Keras的ImageDataGenerator生成样本图像，并在这些图像上使用model.predict()后返回输出）

方法2： 取没有顶部部分的VGG16网络，将所有卷积层设置为不可训练，并添加几个可训练的全连接层。然后使用keras的fit_generator()进行拟合。代码如下：

model2 = vgg16.VGG16(include_top=False, weights='imagenet',                    input_shape=(imsize,imsize,3),                    pooling='avg')for ll in model2.layers:    ll.trainable = Falseout1 = keras.layers.Dense(1024, activation='softmax')(model2.layers[-1].output)out1 = keras.layers.Dropout(0.4)(out1)out1 = keras.layers.Dense(512, activation='softmax')(out1)out1 = keras.layers.Dropout(0.4)(out1)out1 = keras.layers.Dense(num_categories, activation='softmax')(out1)model2 = keras.Model(inputs = model2.input, outputs = out1)model2.compile(loss=keras.losses.categorical_crossentropy,               optimizer=keras.optimizers.Adadelta(),               metrics=['accuracy'])model2.fit_generator(train_gen,                     steps_per_epoch = 100,                     epochs = 10,                     validation_data = valid_gen,                     validation_steps = 10)

两种方法中的epoch数、样本数等并不完全相同，但它们不需要完全相同就能注意到不一致性：方法1在第一个epoch后验证准确率就达到了0.47，并且在使用更多样本拟合时可以达到0.7-0.8甚至更高。然而，方法2却停留在0.1-0.15的验证准确率上，无论我训练多少次都不会有任何改善。

此外，方法2的速度明显比方法1慢，尽管在我看来它们应该大致同样快（考虑到方法1中提取特征所需的时间）。

回答：

在你的第一种方法中，你使用预训练的VGG16模型一次性提取特征，然后训练 – 微调你的网络；而在你的第二种方法中，你在每个epoch都将图像不断通过包括VGG层在内的每一层。这导致你的第二种方法模型运行得更慢。