在博客文章使用很少的数据构建强大的图像分类模型中，提到了瓶颈特征。瓶颈特征是什么？

它清楚地写在您提供VGG16 模型的“瓶颈特征”的链接中：全连接层之前的最后一个激活图。

它们会随着所使用的架构而改变吗？

当然。作者很可能使用了预训练模型（在大数据上训练，现在仅用作特征提取器）

它们是全连接层之前卷积层的最终输出吗？

是的。

他们为什么这么称呼？

给定 VGG 的输入大小，每次最大池操作后，HxW 维度的特征图都会变小两倍。HxW 是最后一个卷积层上最小的。

首先，我们需要谈谈迁移学习。想象一下，你在图像数据集上训练了一个神经网络来检测猫，你可以使用你已经完成的部分训练来处理另一个检测其他东西的方法。这就是所谓的迁移学习。

要进行迁移学习，您将从模型中删除最后一个完全连接的层并在那里插入您的层。“截断”模型输出将成为填充“模型”的特征。这些是瓶颈特征。

VGG16 是基于 ImageNet 目录的预训练模型，具有非常好的准确性。在您分享的帖子中，使用该模型作为基础来更准确地检测猫和狗。

瓶颈功能取决于模型。在这种情况下，我们使用 VGG16。还有其他预训练模型，如 VGG19、ResNet-50

这就像您正在切割模型并添加自己的图层。主要是输出层决定要检测什么，最终输出。