为以下代码写注释： model = transfer.ResNet50_model(nb_classes=2, img_rows=image_size, img_cols=image_size, is_plot_model=False) history_ft = transfer.train_model(model, 40, train_generator, 100, validation_generator, 25, 'vgg/resnet50_model_weights.h5', is_load_model=True)

# 导入transfer模块
import transfer

# 定义ResNet50模型，包括类别数、图片的行与列、是否绘制模型图等参数
model = transfer.ResNet50_model(nb_classes=2, img_rows=image_size, img_cols=image_size, is_plot_model=False)

# 训练ResNet50模型，包括训练轮数、训练集数据生成器、每轮训练次数、验证集数据生成器、验证集验证次数、模型保存路径、是否载入已有模型等参数
history_ft = transfer.train_model(model, 40, train_generator, 100, validation_generator, 25, 'vgg/resnet50_model_weights.h5', is_load_model=True)

注释：

这段代码使用了transfer模块来进行迁移学习，以训练一个基于ResNet50模型的图片分类器。首先，通过`import transfer`导入transfer模块。然后，通过`transfer.ResNet50_model()`定义ResNet50模型，包括类别数、图片的行与列、是否绘制模型图等参数。将模型赋值给变量model。

接着，使用`transfer.train_model()`函数训练ResNet50模型。函数包括训练轮数、训练集数据生成器、每轮训练次数、验证集数据生成器、验证集验证次数、模型保存路径、是否载入已有模型等参数。将训练过程的历史记录保存到变量history_ft中。

最后，将模型的权重保存到指定路径下的h5文件中。在训练过程中，如果已经有了保存的模型权重，可以通过将is_load_model参数设置为True来载入已有模型。