数据结构
网络
关系型数据库管理系统
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
时尚研究
法律研究如何使用Tensorflow和预训练模型将特征转换为每个图像的单个预测？
Tensorflow和预训练模型可以通过创建一个“密集”层并将其应用于顺序模型中的每个图像来将特征转换为每个图像的单个预测。
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对猫和狗的图像进行分类。图像分类中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。
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帮助在浏览器上运行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("Converting features into single prediction per image")
prediction_layer = tf.keras.layers.Dense(1)
prediction_batch = prediction_layer(feature_batch_average)
print(prediction_batch.shape)代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning
输出
Converting features into single prediction per image (32, 1)
解释
应用了tf.keras.layers.Dense层。
这有助于将特征转换为每个图像的单个预测。
不需要激活函数，因为此预测将被视为logit或原始预测值。
正数预测类别1，负数预测类别0。
更新于： 2021年2月25日
99 次浏览
广告