資料結構
網路
關係型資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C語言程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究如何使用Tensorflow和預訓練模型將特徵轉換為每個影像的單個預測？
Tensorflow和預訓練模型可以透過建立一個“密集”層並將其應用於順序模型中的每個影像來將特徵轉換為每個影像的單個預測。
閱讀更多： 什麼是TensorFlow以及Keras如何與TensorFlow一起建立神經網路？
包含至少一層卷積層的神經網路稱為卷積神經網路。我們可以使用卷積神經網路來構建學習模型。
我們將瞭解如何藉助來自預訓練網路的遷移學習對貓和狗的影像進行分類。影像分類中遷移學習背後的直覺是，如果一個模型在大型通用資料集上進行訓練，則該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。
閱讀更多： 如何預訓練自定義模型？
我們正在使用Google Colaboratory執行以下程式碼。Google Colab或Colaboratory幫助在瀏覽器上執行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("Converting features into single prediction per image")
prediction_layer = tf.keras.layers.Dense(1)
prediction_batch = prediction_layer(feature_batch_average)
print(prediction_batch.shape)程式碼來源 −https://www.tensorflow.org/tutorials/images/transfer_learning
輸出
Converting features into single prediction per image (32, 1)
解釋
應用了tf.keras.layers.Dense層。
這有助於將特徵轉換為每個影像的單個預測。
不需要啟用函式，因為此預測將被視為logit或原始預測值。
正數預測類別1，負數預測類別0。
更新於： 2021年2月25日
99 次瀏覽
廣告