4.3.2　模型编译主体

序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。Keras实现了很多层，包括核心层、卷积层、池化层等非常丰富有趣的网络结构。本项目通过将层的列表传递给构造函数，创建序贯模型。在完成对下载数据集中的图像预处理后，用作该模型的训练集、测试集和验证集。鉴于目标域和源域中的数据特征相同，且源域中的数据比目标域中的数据更丰富，可以使用基于ImageNet训练出的VGG-16模型，并根据需要，对模型参数做适当修改。具体实现过程如下：

1．定义模型结构

在搭建神经网络时，使用VGG-16模型的特征参数，将最后一层卷积层的输出直接输入该模型中，并在此模型上添加一个全局平均池化层和一个全连接层。其中，全连接层使用了softmax激活函数。本项目使用的神经网络模型共有68229个参数。获取链接为https://s3-us-west-1.amazonaws.com/udacity-aind/dog-project/DogVGG16Data.npz，如图4-3所示。

在VGG-16模型后添加全局池化层和全连接层，并通过函数VGG-16_model.summary（）输出结构信息，如图4-4所示。

图4-3　VGG-16模型结构

图4-4　全局池化层和全连接层结构

2．损失函数及模型优化

相比Flatten，GlobalAveragePooling2D可以大量减少模型参数，降低过拟合的风险，同时降低计算成本，这也是现在主流的一些CNN架构做法。在此基础上为了防止过拟合现象的产生，全连接层之前加入BatchNormalization层。