代码与解读:
先将所加载的图像进行一些预处理和变换。
使用预训练好的VGG16模型，将最后一层修改，使网络的结果可以输出两类，然后冻结最后一层前的层的参数，构成我们需要的网络模型。
创建损失函数和优化器，利用上述与处理好的train数据集和修改后的模型进行训练，然后用valid数据集测试训练好的模型。
在工程问题中使用深度学习需要首先准备待解决问题的数据，并按需求处理好，然后下载预训练好的网络，按需求修改网络，然后用准备好的数据来 fine-tune 预训练好的网络。
代码优化：
尝试使用了不同的epoch，发现一个epoch的得分为95.45，10个epoch的得分提升到了97.45，而将epoch陆续提升到20，30发现准确率没有提高得很明显，运行速度反而明显下降，且还可能造成过拟合。
