如何使用Tensorflow和预训练模型对图像重复应用同一层进行数据增强？

Tensorflow和预训练模型可以通过对图像重复调用之前创建的“data_augmentation”函数来对图像重复应用同一层，从而进行数据增强。此增强后的图像也会在控制台上可视化。

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，如果一个模型是在大型通用数据集上训练的，那么这个模型可以有效地用作视觉世界的通用模型。它将学习特征映射，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。

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，并且无需任何配置，即可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。

示例

print("Repeatedly applying same layer to the image")
for image, _ in train_dataset.take(1):
   plt.figure(figsize=(10, 10))
   first_image = image[0]
   for i in range(9):
   ax = plt.subplot(3, 3, i + 1)
   augmented_image = data_augmentation(tf.expand_dims(first_image, 0))
   plt.imshow(augmented_image[0] / 255)
   plt.axis('off')

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