本文是仿照前面的文章，使用Keras迁移学习提升性能，原文是针对二分类问题，使用迁移学习的方式来提升准确率，本文用迁移学习的方式来提升多分类问题的准确率。
同时，在前面的文章中，使用普通的小型3层卷积网络+2层全连接层实现了多分类的85%左右的准确率， 此处将用迁移学习的方式来进一步提升性能。
为了演示，本次选用了博文keras系列︱图像多分类训练与利用bottleneck features进行微调（三）中提到的数据集，原始的数据集将所有类别的train照片放到train文件夹中，所有的test照片放在test文件夹中，而用不同数字开头来表示不同类别，比如以3开头的照片就是bus类等。首先将这些不同类别的照片放在不同的文件夹中，最终的train文件夹有5个子文件夹，每个子文件夹中有80张图片，最终的test文件夹中有5个子文件夹，每个子文件夹中有20张图片。总共只有500张图片。
在代码上，需要用ImageDataGenerator来做数据增强，并且用flow_from_directory来从文件夹中产生数据流。
代码和二分类的文章基本相同，唯一的不同之处是要设置class_mode='categorical'，而不是原来二分类问题的class_mode='binary'