如何使用Tensorflow和預訓練模型對影像重複應用同一層進行資料增強？

Tensorflow和預訓練模型可以透過對影像重複呼叫之前建立的“data_augmentation”函式來對影像重複應用同一層，從而進行資料增強。此增強後的影像也會在控制檯上視覺化。

我們將瞭解如何藉助來自預訓練網路的遷移學習來對貓和狗的影像進行分類。

影像分類遷移學習背後的直覺是，如果一個模型是在大型通用資料集上訓練的，那麼這個模型可以有效地用作視覺世界的通用模型。它將學習特徵對映，這意味著使用者不必從頭開始，在大型資料集上訓練大型模型。

我們正在使用Google Colaboratory執行以下程式碼。Google Colab或Colaboratory有助於透過瀏覽器執行Python程式碼，並且無需任何配置，即可免費訪問GPU（圖形處理單元）。Colaboratory構建在Jupyter Notebook之上。

示例

print("Repeatedly applying same layer to the image")
for image, _ in train_dataset.take(1):
   plt.figure(figsize=(10, 10))
   first_image = image[0]
   for i in range(9):
   ax = plt.subplot(3, 3, i + 1)
   augmented_image = data_augmentation(tf.expand_dims(first_image, 0))
   plt.imshow(augmented_image[0] / 255)
   plt.axis('off')

程式碼來源 −https://www.tensorflow.org/tutorials/images/transfer_learning