迁移学习是一种很强大的深度学习技术，在实际应用中解决图像分类等问题中效果卓越，用一句简单的话来说就是“站在巨人的肩膀山学习”，大多数针对图像分类任务而开源出来的迁移学习模型很多都是基于ImageNet数据集开发的，这些预训练的模型往往都是那些谷歌、亚马逊等大厂耗费大量的计算资源训练几周的时间跑出来的模型，在图像的特征提取计算上都有着非常不错的性能，以至于对于我们【小批量数据+简单神经网络】模式的实验来说，我们往往会选择使用【预训练模型+fine-tuning】的方式来高效地达到我们所需的效果，请注意，这里是高效。
高效，这么说是因为并非只有基于这样的预训练模型才能取得好的结果，我们采用开源的网络模型去训练自己的深度学习模型也都是可以的，只不过那样花费的代价可能会比较大。当然了迁移学习也并不是万能的，在使用预训练模型进行实验分析的时候首先需要考虑一个很重要的地方，就是预训练模型训练所采用的数据集与自己的数据集内容上本质区分度高不高，或者说是差别大不大，举个简单的例子来说，人家的预训练模型都是用人物的图像数据训练出来的，而你做的任务是交通信号分类的任务，这样的预训练模型可能对于你的帮助并不大，甚至还有可能会降低效果。
在前面的一篇同系列的迁移学习实战文章中，我们完成了多分类任务的实践，文章链接如下，感兴趣的话可以前去了解。
Python基于迁移学习的交通信号识别实战【图像多分类任务】【实测准确度超过96.7%】
我将尽可能使用同上一篇系列文章中类似的写作结构来完成本文，本文主要就是借助于经典的猫狗大战问题来实践一下图像二分类任务的迁移学习模型，话不多说，下面进入正文，先来看一下整个项目的结构：
