如何使用TensorFlow和重新编译后的预训练模型来可视化数据？

可以使用TensorFlow和预训练模型以及‘matplotlib’库来可视化数据。 ‘imshow’方法用于在控制台上显示数据。

阅读更多： 什么是TensorFlow以及Keras如何与TensorFlow一起创建神经网络？

包含至少一层卷积层的神经网络称为卷积神经网络。我们可以使用卷积神经网络来构建学习模型。

我们将了解如何借助来自预训练网络的迁移学习来对猫和狗的图像进行分类。图像分类迁移学习背后的直觉是，如果一个模型在大型通用数据集上进行训练，则该模型可以有效地用作视觉世界的通用模型。它已经学习了特征映射，这意味着用户不必从头开始在大型数据集上训练大型模型。

阅读更多： 如何预训练自定义模型？

我们正在使用Google Colaboratory运行以下代码。Google Colab或Colaboratory有助于通过浏览器运行Python代码，无需任何配置，并可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。

示例

print("Visualizing the data")
plt.figure(figsize=(10, 10))
for i in range(9):
   ax = plt.subplot(3, 3, i + 1)
   plt.imshow(image_batch[i].astype("uint8"))
   plt.title(class_names[predictions[i]])
   plt.axis("off")

代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning

输出

解释

  • 当使用小型数据集时，可以在同一领域中针对大型数据集训练的模型学习特征。

  • 这可以通过实例化预训练模型并在其顶部添加一个全连接分类器来实现。

  • 预训练模型被“冻结”，并且仅在训练期间更新分类器的权重。

  • 卷积基将提取与每个图像关联的所有特征。

  • 为了提高性能，可以微调预训练模型的顶层。

  • 这样做是为了使模型学习特定于该数据集的高级特征。

  • 当训练数据集很大并且与预训练模型所训练的原始数据集相似时，推荐使用此技术。

更新于：2021年2月25日

浏览量：110

启动您的职业生涯

完成课程获得认证

开始学习
广告