資料結構
網路
關係資料庫管理系統
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
法律研究如何使用Tensorflow對增強資料的新資料進行預測？
訓練完成後，可以將構建的模型用於增強的新資料。這可以透過“預測”方法來實現。需要驗證的資料首先載入到環境中。然後，透過將其從影像轉換為陣列來對其進行預處理。接下來，在此陣列上呼叫預測方法。
閱讀更多： 什麼是 TensorFlow 以及 Keras 如何與 TensorFlow 協作建立神經網路？
我們將使用 Keras Sequential API，它有助於構建一個用於處理層堆疊的順序模型，其中每一層都只有一個輸入張量和一個輸出張量。
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構建學習模型。
使用 keras.Sequential 模型建立影像分類器，並使用 preprocessing.image_dataset_from_directory 載入資料。資料有效地從磁碟載入。識別過擬合併應用技術來緩解它。這些技術包括資料增強和 dropout。有 3700 張花的照片。此資料集包含 5 個子目錄，每個類有一個子目錄。它們是
雛菊、蒲公英、玫瑰、向日葵和鬱金香。
我們正在使用 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，無需任何配置即可免費訪問 GPU（圖形處理單元）。Colaboratory 建立在 Jupyter Notebook 之上。
當訓練樣本數量較少時，模型會從訓練樣本中的噪聲或不需要的細節中學習。這會對模型在新樣本上的效能產生負面影響。
由於過擬合，模型將無法在新資料集上很好地泛化。有許多方法可以避免過擬合。我們可以使用 dropout 技術來克服過擬合。可以透過在網路中引入 dropout 來減少過擬合。這被認為是一種正則化形式。這有助於使模型接觸到更多的資料方面，從而幫助模型更好地泛化。
當將 dropout 應用於某一層時，它會在訓練過程中隨機丟棄該層中的若干輸出單元。這是透過將啟用函式設定為 0 來完成的。Dropout 技術將分數作為輸入值（如 0.1、0.2、0.4 等）。這個數字 0.1 或 0.2 基本上表示應用層中 10% 或 20% 的輸出單元是隨機的。
資料增強透過使用隨機變換增強現有示例來生成額外的訓練資料，這些隨機變換將產生看起來可信的影像。以下是一個示例
示例
print("The model built is being used to predict new data")
sunflower_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/592px-Red_sunflower.jpg"
sunflower_path = tf.keras.utils.get_file('Red_sunflower', origin=sunflower_url)
img = keras.preprocessing.image.load_img(
sunflower_path, target_size=(img_height, img_width)
)
img_array = keras.preprocessing.image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0) # Create a batch
predictions = model.predict(img_array)
score = tf.nn.softmax(predictions[0])
print(
"This image likely belongs to {} with {:.2f} percent confidence."
.format(class_names[np.argmax(score)], 100 * np.max(score))
)程式碼來源 −https://www.tensorflow.org/tutorials/images/classification
輸出
The model built is being used to predict new data Downloading data from https://storage.googleapis.com/download.tensorflow.org/example_images/592px-Red_sunflower.jpg 122880/117948 [===============================] - 0s 0us/step A batch is created This image likely belongs to sunflowers with 99.07 percent confidence.
解釋
- 先前構建的模型用於從未見過的新的資料。
- 使用“預測”方法預測資料集的相關值。
- 做出預測後，計算置信度水平。
- 這將顯示在控制檯上。
356 次瀏覽
