Machine learning 什么'；这两种Keras方法在迁移学习中的区别是什么？

我见过两种不同的迁移学习/微调方法，我不确定它们的区别和好处：

我们只需加载模型，例如Inception，使用在例如Imagenet上训练生成的权重初始化，冻结conv层，并附加一些密集层，以适应所从事的特定分类任务。一些参考文献是：

这个过程似乎更复杂：通过VGG16模型运行一次训练/测试数据，并在两个numpy数组中记录完全连接层之前最后一个激活映射的输出。然后在存储的特征上训练一个完全连接的小型模型（权重存储为例如

mini fc.h5

）。在这一点上，if遵循类似于方法#1的程序，冻结VGG16的第一个卷积层（使用imagenet的权重初始化），并仅训练最后一个conv层和完全连接的分类器（而是使用该方法先前训练部分的权重进行初始化，

mini fc.h5

）。然后对最终模型进行训练。该方法的最新版本可能会在本keras页面的一组新类的“微调接收v3”部分进行解释：

这两种方法的区别/好处是什么？是转移学习与微调的不同例子吗？最后一个环节实际上只是方法2的修订版

谢谢你的支持