数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律研究如何在TensorFlow和Python中使用数据增强来减少过拟合？
通过添加额外的训练数据，数据增强可以用来减少过拟合。这是通过创建一个使用“RandomFlip”层的顺序模型来实现的。
阅读更多： 什么是TensorFlow以及Keras如何与TensorFlow一起创建神经网络？
我们将使用Keras Sequential API，它有助于构建一个顺序模型，该模型用于处理简单的层堆栈，其中每一层只有一个输入张量和一个输出张量。
包含至少一层卷积层的神经网络被称为卷积神经网络。我们可以使用卷积神经网络来构建学习模型。
使用keras.Sequential模型创建图像分类器，并使用preprocessing.image_dataset_from_directory加载数据。数据有效地从磁盘加载。识别过拟合并应用技术来缓解它。这些技术包括数据增强和dropout。有3700朵花的图像。此数据集包含5个子目录，每个类一个子目录。它们是
雏菊、蒲公英、玫瑰、向日葵和郁金香。
我们正在使用Google Colaboratory运行以下代码。Google Colab或Colaboratory帮助在浏览器上运行Python代码，无需任何配置即可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。
当训练样本数量较少时，模型会从训练样本中的噪声或不需要的细节中学习。这会对模型在新样本上的性能产生负面影响。
由于过拟合，模型将无法在新数据集上很好地泛化。有很多方法可以避免过拟合。我们将使用数据增强来克服过拟合。数据增强通过使用随机变换来增强现有示例，从而从现有示例生成额外的训练数据，这些随机变换将产生看起来可信的图像。
这有助于使模型接触到更多的数据方面，从而帮助模型更好地泛化。以下是一个示例
示例
print("Using data augmentation to eliminate overfitting")
data_augmentation = keras.Sequential(
[
layers.experimental.preprocessing.RandomFlip("horizontal",input_shape=(img_height,
img_width,3)),
layers.experimental.preprocessing.RandomRotation(0.1),
layers.experimental.preprocessing.RandomZoom(0.1),
]
)代码来源 −https://tensorflowcn.cn/tutorials/images/classification
输出
Using data augmentation to eliminate overfitting
解释
可以使用tf.keras.layers.experimental.preprocessing中的层实现数据增强。
这些层像其他层一样包含在模型内部，并在GPU上运行。
这样做是为了消除或减少过拟合。
253 次查看
