数据结构
网络
关系型数据库管理系统 (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检查Tensorflow的预测结果？
可以使用Tensorflow和NumPy包中的'predict'方法和'argmax'方法来检查预测结果。
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，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模型的仓库。TensorFlow可以用来微调学习模型。
我们将了解如何使用来自TensorFlow Hub的模型与tf.keras，使用来自TensorFlow Hub的图像分类模型。完成此操作后，可以执行迁移学习以微调模型以适应自定义图像类别。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什麽来完成的。这可以在无需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。
示例
print("The predictions are checked")
predicted_batch = model.predict(image_batch)
predicted_id = np.argmax(predicted_batch, axis=-1)
predicted_label_batch = class_names[predicted_id]代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
The predictions are checked
解释
- 可以重新绘制之前的图表。
- 这是通过首先获取类名的有序列表来完成的。
更新于： 2021年2月25日
293 次浏览
广告