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
社會研究
時尚研究
法律研究如何使用TensorFlow視覺化精度和訓練步數之間的權衡？
可以使用Tensorflow和‘matplotlib’庫以及‘plot’方法繪製資料，從而視覺化精度和訓練步數之間的權衡。
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被稱為卷積神經網路。我們可以使用卷積神經網路構建學習模型。
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在大型資料集上訓練大型模型。
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來自TensorFlow Hub的模型與tf.keras，使用來自TensorFlow Hub的影像分類模型。完成後，可以執行遷移學習來微調用於自定義影像類別的模型。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什么來完成的。這可以在無需任何訓練的情況下完成。
我們使用Google Colaboratory執行以下程式碼。Google Colab或Colaboratory有助於在瀏覽器上執行Python程式碼，無需任何配置，並可免費訪問GPU（圖形處理單元）。Colaboratory構建在Jupyter Notebook之上。
示例
print("Accuracy versus training steps")
plt.figure()
plt.ylabel("Accuracy")
plt.xlabel("Training Steps")
plt.ylim([0,1])
plt.plot(batch_stats_callback.batch_acc)程式碼來源 −https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
輸出
解釋
- 完成了精度與訓練步數的視覺化。
更新於：2021年2月25日
113 次瀏覽
廣告