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 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Tensorflow 和重新訓練的模型如何用於資料增強？
Tensorflow 和重新訓練的模型可以透過使用建立的包含兩個實驗層（即“RandomFlip”和“RandomRotation”）的“Sequential”模型來用於資料增強。
閱讀更多： 什麼是 TensorFlow 以及 Keras 如何與 TensorFlow 協作建立神經網路？
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。
影像分類遷移學習背後的直覺是，如果一個模型在一個大型且通用的資料集上進行訓練，那麼這個模型可以有效地用作視覺世界的通用模型。它將學習特徵圖，這意味著使用者無需從頭開始在大型資料集上訓練大型模型。
閱讀更多： 如何對自定義模型進行預訓練？
我們使用 Google Colaboratory 來執行以下程式碼。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 基於 Jupyter Notebook 構建。
示例
print("Using data augmentation")
data_augmentation = tf.keras.Sequential([
tf.keras.layers.experimental.preprocessing.RandomFlip('horizontal'),
tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
])程式碼來源 -https://www.tensorflow.org/tutorials/images/transfer_learning
輸出
Using data augmentation
解釋
當用戶沒有大型資料集時，可以引入樣本多樣性。
這需要是現實的，因為它有助於對訓練影像進行轉換，例如旋轉和水平翻轉。
這有助於使模型接觸到訓練資料的不同方面。
它還有助於減少過擬合。
更新於： 2021年2月25日
97 次檢視
廣告