在跑training時，每次的epoch都會秀出每次訓練和測試的loss以及accuracy，我們可以將它畫成圖：

我們可以看到大約在epoch大於5後，測試的accuracy以呈現水平沒有提升，反而測試的loss還有些微上升的趨向，這表示訓練資料已經訓練到飽和了，以學術名稱叫做"overfitting”。
我們將convolution的數量調高，並且增加一組(以我的電腦來說，這訓練時間約變為2倍QQ)：

model = tf.keras.models.Sequential([
    tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),
    tf.keras.layers.MaxPooling2D(2, 2),
    tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Conv2D(128, (3,3), activation='relu'),
    tf.keras.layers.MaxPooling2D(2,2),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(512, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

可以看到結果是接近的，同樣測試的accuracy已達水平且測試的loss還有些微上升的趨向，只有飽和情況略為延後約2個epoch：

這時我們可以利用ImageDataGenerator 的功能，將原本的圖庫轉一轉(rotation_range)，調整大小(width_shift_range, height_shift_range)，扭轉(shear_range)，放大縮小(zoom_range)，翻轉(horizontal_flip)，而這在實際作用的解釋可以理解為，例如在旋轉和扭轉，能辨識出不同的姿勢或角度，調整大小和縮放則可以處理不同的體態等：

train_datagen = ImageDataGenerator(
      rescale=1./255,
      rotation_range=40,
      width_shift_range=0.2,
      height_shift_range=0.2,
      shear_range=0.2,
      zoom_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')

比較結果如下，不論是訓練還是測試，accuracy都還在上升，loss也還在下降，且測試的loss已經降至比之前的結果還低：