上图我们可以发现，对于simple_cnn来说，数据增强有很明显的作用，可以显著提高val_acc，也就是模型的泛化性。

对于pre-trained model(此处用作feature extraction)来说，此处用的是mobilenetV2，因为模型是在imagenet大型数据集上做的预训练，已经见过很多图片数据了，同时模型能更新参数的部分只有top-classifier，所以此处的数据增强效果并不是特别显著，数据增强的作用主要是让模型能见到更多的数据多样性，以此减轻过拟合，增强泛化。

我们接着对模型进行了finetune训练，相比于freeze feature extraction部分来说，我们unfreeze了顶部几层卷积，使模型更加适合目前的任务，相比来说提高了几个百分点。

上图我们可以看到，模型在训练几个epoch之后，val_acc已经达到饱和，此时我们接着训练，会发现val_loss在上升，此处是因为模型置信度下降引起的。