数据结构
网络
关系数据库管理系统
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
服装设计
法律研究如何使用 Python 将分类头附加到 TensorFlow？
TensorFlow 可以使用一个包含密集层的顺序模型来附加分类头，也可以使用先前定义的特征提取器模型。
阅读更多： 什么是 TensorFlow 以及 Keras 如何与 TensorFlow 协作创建神经网络？
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构建学习模型。
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，则此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。
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，可以执行迁移学习以微调模型以用于自定义图像类别。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来完成的。这可以在不需要任何训练的情况下完成。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助通过浏览器运行 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 建立在 Jupyter Notebook 之上。
示例
print("Attaching a classification head")
num_classes = len(class_names)
model = tf.keras.Sequential([
feature_extractor_layer,
tf.keras.layers.Dense(num_classes)
])
print("The base architecture of the model")
model.summary()
print("The predictions are made")
predictions = model(image_batch)
print("The dimensions of the predictions")
predictions.shape代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
Attaching a classification head The base architecture of the model Model: "sequential_3" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= keras_layer_1 (KerasLayer) (None, 1280) 2257984 _________________________________________________________________ dense_3 (Dense) (None, 5) 6405 ================================================================= Total params: 2,264,389 Trainable params: 6,405 Non-trainable params: 2,257,984 _________________________________________________________________ The predictions are made The dimensions of the predictions TensorShape([32, 5])
解释
- 分类头已附加到模型。
- 完成此操作后，将确定模型的基本架构。
- 这是借助“摘要”方法完成的。
- 确定数据的维度。
- 此信息显示在控制台上。
更新于： 2021 年 2 月 25 日
341 次查看
广告