上圖我們可以發現，對于simple_cnn來說，資料增強有很明顯的作用，可以顯著提高val_acc，也就是模型的泛化性。
對于pre-trained model(此處用作feature extraction)來說，此處用的是mobilenetV2，因為模型是在imagenet大型資料集上做的預訓練，已經見過很多圖檔資料了，同時模型能更新參數的部分隻有top-classifier，是以此處的資料增強效果并不是特别顯著，資料增強的作用主要是讓模型能見到更多的資料多樣性，以此減輕過拟合，增強泛化。
我們接着對模型進行了finetune訓練，相比于freeze feature extraction部分來說，我們unfreeze了頂部幾層卷積，使模型更加适合目前的任務，相比來說提高了幾個百分點。
上圖我們可以看到，模型在訓練幾個epoch之後，val_acc已經達到飽和，此時我們接着訓練，會發現val_loss在上升，此處是因為模型置信度下降引起的。