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 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Tensorflow 和重新训练的模型如何用于数据增强？
Tensorflow 和重新训练的模型可以通过使用创建的包含两个实验层（即“RandomFlip”和“RandomRotation”）的“Sequential”模型来用于数据增强。
阅读更多： 什么是 TensorFlow 以及 Keras 如何与 TensorFlow 协作创建神经网络？
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。
图像分类迁移学习背后的直觉是，如果一个模型在一个大型且通用的数据集上进行训练，那么这个模型可以有效地用作视觉世界的通用模型。它将学习特征图，这意味着用户无需从头开始在大型数据集上训练大型模型。
阅读更多： 如何对自定义模型进行预训练？
我们使用 Google Colaboratory 来运行以下代码。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 基于 Jupyter Notebook 构建。
示例
print("Using data augmentation")
data_augmentation = tf.keras.Sequential([
tf.keras.layers.experimental.preprocessing.RandomFlip('horizontal'),
tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
])代码来源 -https://tensorflowcn.cn/tutorials/images/transfer_learning
输出
Using data augmentation
解释
当用户没有大型数据集时，可以引入样本多样性。
这需要是现实的，因为它有助于对训练图像进行转换，例如旋转和水平翻转。
这有助于使模型接触到训练数据的不同方面。
它还有助于减少过拟合。
更新于： 2021年2月25日
97 次查看
广告