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和预训练模型提取TensorFlow中的特征？
可以使用特征提取器模型（预先定义并用于“KerasLayer”方法）来提取TensorFlow中预训练模型的特征。
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。
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通用数据集上进行训练，那么这个模型可以有效地作为一个通用的视觉世界模型。它已经学习了特征图，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。完成后，可以执行迁移学习来微调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哪个图像来完成的。这可以在无需任何训练的情况下完成。
我们使用Google Colaboratory运行以下代码。Google Colab或Colaboratory帮助通过浏览器运行Python代码，无需任何配置，并可免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。
示例
print("Extracting features")
feature_extractor_model = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/4"
feature_extractor_layer = hub.KerasLayer(
feature_extractor_model, input_shape=(224, 224, 3), trainable=False)
feature_batch = feature_extractor_layer(image_batch)
print(feature_batch.shape)代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning_with_hub
输出
Extracting features (32, 1280)
解释
- 特征已被提取。
- 使用“feature_extractor_layer”获取数据集的特征。
- 特征的维度显示在控制台上。
更新于： 2021年2月25日
799 次浏览
广告