我正在阅读 François Chollet 的“使用 Python 进行深度学习”，这是一本很棒的书。他谈到了使用预训练的卷积网络（在他的示例中为 VGG16），然后运行较小的数据集来调整它们（例如狗 vs 猫 kaggle 数据集）。

我的理解是有两种选择：

1) 从（例如）VGG16 中去掉密集层。通过剩余的卷积层运行小数据集（只有猫和狗）。获取输出，然后训练第二个密集的卷积网络，作为单独的第二步。

2) 从 VGG16 中去掉密集层。将它们替换为从原始卷积网络获取输入的新的、随机初始化的密集层。冻结网络中预先存在的卷积部分，然后用较小的数据集训练整个卷积网络。

根据这本书，方法（2）允许您使用数据增强，但方法（1）不允许。

我不明白为什么会这样，或者为什么这两种方法不同，因为两者实际上都是从固定的卷积层获取输出，然后在其上训练一个更小、更密集的网络。我误解了什么？