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 解码 TensorFlow 的预测结果？
TensorFlow 可以通过将图像转换为 NumPy 数组来解码预测结果。
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来构建学习模型。
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 基于 Jupyter Notebook 构建。
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，这意味着用户无需从头开始训练大型模型。
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，以及如何使用 TensorFlow Hub 中的图像分类模型。
完成此操作后，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做什么的来完成的。这可以在无需任何训练的情况下完成。
示例
print("Decoding the predictions")
labels_path = tf.keras.utils.get_file('ImageNetLabels.txt','https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt')
imagenet_labels = np.array(open(labels_path).read().splitlines())
plt.imshow(grace_hopper)
plt.axis('off')
predicted_class_name = imagenet_labels[predicted_class]
_ = plt.title("Prediction is: " + predicted_class_name.title())代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
Decoding the predictions Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt 16384/10484 [==============================================] - 0s 0us/step
解释
预测的类别 ID 可用于获取 ImageNet 标签以解码预测结果。
预测的数据/图像显示在控制台上。
更新于：2021年2月25日
343 次浏览
广告