VGG19可以分辨1000個種類，但如果我們要辨識的，並不在這1000個之內，就要自已訓練。訓練的步驟為 :
收集圖片資料，訓練，偵測。開始之前，請先安裝如下套件
pip install tensorflow==2.10.1 matplotlib opencv-python
訓練圖片
收集圖片是一項大工程，還好 tensorflow 幫我們收集了一大堆圖片。請到 http://download.tensorflow.org/example_images/flower_photos.tgz 下載圖片。下載後置於專案之下並解開，就會多一個 flower_photos 目錄。
flower_photos 裏面 有 5 個資料夾，分別是 daisy(雛菊)，dandelion(蒲公英)，roses(玫瑰)，sunflowers(向日葵)，tulips(鬱金香)
測試圖片
要進行辨識測試的圖片，請由如下網址下載，存儲在專案下的 images 目錄
Dense 層
Dense 層只會出現在全連接層，也就是輸出層。Dense 的作用就是由原本的 x 種狀況 (特徵)，經過某種演算後，變成下一層的 y 種狀況。
剛剛講的某種演算，通常就是用捲積的方式來計算下一層的結果。
訓練模型
把每張圖片讀入縮小後放入 data 中，並同時由目錄名稱記錄每張圖的類別放在 labels 中。然後將VGG19前三個連接層抽出，再加入自已的全連接層。
一開始始用 GlobalAveragePooling2D 將 (長*寬*通道) 轉換成 (1*1*通道)，其方法是將每個通道中的權重作平均值。如下圖所示，最前面的通道中，(1+5+4+5+6+5+3+9+4+2+5+2+8+6+8+7)/16 = 5
Dense 種類為 256 及 64 種，激活方式為 relu (線性整流, 將負值變為0)，最後的輸出層激活含數為 softmax (轉換為機率，總合為1)。
在每個連接層( Dense) 之後，都需作 BatchNormalization。BN 層的作用是把一個 batch 內的所有數據，從不規則的分佈拉到常態分佈，將數字集中在平均為 0，標準差為 1 的範圍。這樣作的好處是使得數據能夠分佈在激活函數的敏感區域，敏感區域即為梯度較大的區域，因此在反向傳播時能夠較快反饋誤差傳播。BN的運作方式又是一篇論文，裏面有著複雜的數學運算，所以只需了解其功能即可。
模型中所加入的各層，不一定要按這個方式，也可以改用其它層，可自行測試看看。
訓練時要注意 batch_size，如果太大會造成顯卡記憶体不足，就需往下調整。訓練的時間依硬体等級有所不同。訓練好的模型會儲存在 flower 目錄中。
下述代碼若使用 CPU 訓練，每個 epoch 約要 2 分鐘，共需 100 分鐘。若使用 GPU 訓練，每個 epoch 約 4 秒，共需 200 秒。