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
服装学
法学如何使用 Python 和 TensorFlow 创建特征提取器？
TensorFlow 可以通过使用缓冲预取来创建特征提取器。这是通过设置 trainable=False 来实现的。
阅读更多： 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 协同工作来创建神经网络？
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。
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视觉世界的通用模型。它已经学习了特征映射，这意味着用户不必从头开始训练一个大型模型在一个大型数据集上。
TensorFlow Hub 是一个包含预训练 TensorFlow 模型的存储库。TensorFlow 可以用来微调学习模型。
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。这无需任何训练即可完成。
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，并可免费访问 GPU（图形处理单元）。Colaboratory 建立在 Jupyter Notebook 之上。
示例
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
print("The dimensions of data")
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
The dimensions of data (32, 224, 224, 3) (32,)
解释
- TFHub 分发不需要顶部分类层的模型。
- 它们可以用于迁移学习。
- 可以使用来自 tfhub.dev 的任何兼容图像特征向量模型。
- 可以使用 trainable=False 创建特征提取器。
- 这可以用来冻结特征提取器层中的变量。
- 这样做是为了确保训练只修改新的分类器层。
- 它将为每个图像返回一个 1280 长度的向量。
更新于：2021年2月25日
浏览量：181
广告