训练通常需要半小时的时间来进行，但是由于结果过度拟合，我们认为这个运行时间并不重要。与方法1进行比较，我们可以看到：虽然CNN的结果过度拟合，但我们仍然会得到一个方法1更好的结果。

　　第三种方法：重新训练 Inception V3

　　整个训练进度不超过10分钟。而我们可以取得非常好的成绩。基于此，我们实际上可以看到深度学习和迁移学习的巨大能量。

　　演示：

　　结论

　　基于上述的比较，我们可以得出这样的结论：

　　KNN、SVM和BP神经网络是不能够很好地完成诸如图像分类这样的特定任务的。

　　虽然我们在CNN部分得到的结果过度拟合，但仍然比在课堂中学到的处理图像分类问题的其他方法要好得多。

　　迁移学习在图像分类问题上具有非常高的效率。无需GPU即可在短时间内准确快捷地完成训练。即使你有一个小的数据集，它也可以很好地防止过度拟合。

　　我们学到了一些非常重要的图像分类任务经验。这样的任务与我们上课时所做的其他任务完全不同。数据集相对较大而不稀疏，网络复杂，因此如果不使用GPU，运行时间会相当长。

　　裁剪或调整图像大小使其更小。

　　随机选择一个小批量进行每次迭代训练。

　　在验证集中随机选择一个小批量进行验证，在训练过程中经常报告验证的得分情况。

　　尝试使用图像增强将一组输入图像转换为一组新的，更大的，略有更改的图像。

　　对于图像分类任务，我们需要一个比200 x 10的更大的数据集，CIFAR10数据集包含6万张图像。