数据结构
网络
关系数据库管理系统 (RDBMS)
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
法学如何使用Python中的Tensorflow添加批处理维度并将图像传递给模型？
Tensorflow可以通过将图像转换为Numpy数组来添加批处理维度并将图像传递给模型。
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。
我们使用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，并且可以免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。
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了训练，那么这个模型可以有效地作为一个通用的视觉世界模型。它已经学习了特征映射，这意味着用户不必从头开始在一个大型数据集上训练一个大型模型。
TensorFlow Hub是一个包含预训练TensorFlow模型的存储库。TensorFlow可用于微调学习模型。
我们将了解如何使用TensorFlow Hub中的模型与tf.keras，使用TensorFlow Hub中的图像分类模型。完成后，可以执行迁移学习来微调针对自定义图像类别的模型。这是通过使用预训练的分类器模型来获取图像并预测它是做什么的。这可以在无需任何训练的情况下完成。
示例
grace_hopper = np.array(grace_hopper)/255.0
print("The dimensions of the image are")
print(grace_hopper.shape)
result = classifier.predict(grace_hopper[np.newaxis, ...])
print("The dimensions of the resultant image are")
print(result.shape)
predicted_class = np.argmax(result[0], axis=-1)
print("The predicted class is")
print(predicted_class)代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
The dimensions of the image are (224, 224, 3) The dimensions of the resultant image are (1, 1001) The predicted class is 819
解释
- 添加了批处理维度。
- 图像被传递给模型。
- 结果是一个包含1001个元素的logits向量。
- 这将对图像的每个类别的概率进行评分。
更新于：2021年2月25日
550 次浏览
广告