迁移学习中的这两种Keras方法之间有什么区别？

Question

我已经看到了两种不同的转移学习/微调方法，但我不确定它们的区别和好处：

1. 一个简单地加载模型，例如。初始，初始化时使用从例如上的训练生成的权重进行初始化。 Imagenet，冻结转换层并附加一些密集层以适应特定的分类任务。一些引用是：[1]，[2]，[3]，[4]
2. 在this keras blog tutorial上，该过程似乎更加复杂：通过VGG16模型运行一次训练/测试数据，并在两个numpy数组中记录来自完全连接的层之前的最后一个激活图的输出。然后在存储的要素之上训练一个小型的全连接模型（权重存储为例如mini-fc.h5）。在这一点上，if遵循类似于方法＃1的过程，在该过程中，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（取而代之的是使用来自vnet16的权重进行初始化）此方法的先前培训部分，mini-fc.h5）。然后训练该最终模型。也许在此keras页面的新类的微调InceptionV3部分中对此方法的最新版本进行了解释：https://keras.io/applications/

这两种方法有什么区别/好处？那些是转移学习与微调的明显例子吗？最后一个链接真的只是方法2的修订版？

感谢您的支持