阅读 François Chollet 的 Python 深度学习。在第 5.3.1 节中，我们实例化了一个预训练的卷积网络 VGG16，并提供了两个选项来继续：

A）在你的数据集上运行卷积基础，将其输出记录到磁盘上的一个 Numpy 数组，然后使用这些数据作为一个独立的、密集连接的分类器的输入，类似于你在本书第 1 部分中看到的分类器。这个解决方案运行起来又快又便宜，因为它只需要为每个输入图像运行一次卷积基，而卷积基是管道中迄今为止最昂贵的部分。但出于同样的原因，这种技术不允许您 使用数据增强。

B）通过在顶部添加密集层来扩展您拥有的模型（conv_base），并在输入数据上端到端运行整个事情。这 将允许您使用数据增强，因为每个输入图像每次被模型看到时都会通过卷积基。但出于同样的原因，这种技术比第一种技术要昂贵得多。

为什么我不能使用数据增强从现有训练样本中生成更多训练数据，然后选择选项 A？似乎我可以在我的增强数据集上运行 VGG16 基础，并将输出用作独立密集连接分类器的输入。