資料結構
網路
關係資料庫管理系統 (RDBMS)
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
服裝設計
法學如何使用 Python 解碼 TensorFlow 的預測結果？
TensorFlow 可以透過將影像轉換為 NumPy 陣列來解碼預測結果。
閱讀更多： 什麼是 TensorFlow，以及 Keras 如何與 TensorFlow 協作建立神經網路？
包含至少一層卷積層的神經網路被稱為卷積神經網路。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，無需任何配置，並可免費訪問 GPU（圖形處理單元）。Colaboratory 基於 Jupyter Notebook 構建。
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作為視覺世界的通用模型。它已經學習了特徵對映，這意味著使用者無需從頭開始訓練大型模型。
TensorFlow Hub 是一個包含預訓練 TensorFlow 模型的儲存庫。TensorFlow 可用於微調學習模型。
我們將瞭解如何使用 TensorFlow Hub 中的模型與 tf.keras，以及如何使用 TensorFlow Hub 中的影像分類模型。
完成此操作後，可以執行遷移學習來微調模型以適應自定義影像類別。這是透過使用預訓練的分類器模型來獲取影像並預測它是做什麼的來完成的。這可以在無需任何訓練的情況下完成。
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())程式碼來源 −https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
輸出
Decoding the predictions Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt 16384/10484 [==============================================] - 0s 0us/step
解釋
預測的類別 ID 可用於獲取 ImageNet 標籤以解碼預測結果。
預測的資料/影像顯示在控制檯上。
更新於：2021年2月25日
343 次瀏覽
廣告