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 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
法學研究如何使用 Python 和 TensorFlow 來視覺化損失與訓練過程？
可以使用 TensorFlow 和 ‘matplotlib’ 庫以及 ‘plot’ 方法來繪製資料，從而視覺化損失與訓練過程。
閱讀更多： 什麼是 TensorFlow？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。
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通用資料集上進行訓練，那麼這個模型可以有效地作為視覺世界的通用模型。它已經學習了特徵圖，這意味著使用者無需從頭開始在一個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 TensorFlow Hub 中的模型與 tf.keras，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哪個影像來完成的。這可以在無需任何訓練的情況下完成。
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，並且可以免費訪問 GPU（圖形處理單元）。Colaboratory 是基於 Jupyter Notebook 構建的。
示例
print("Visualizing the data - loss versus training steps")
plt.figure()
plt.ylabel("Loss")
plt.xlabel("Training Steps")
plt.ylim([0,2])
plt.plot(batch_stats_callback.batch_losses)程式碼來源 −https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
輸出
解釋
- 經過一些訓練迭代後，可以看出模型正在取得進展。
- 此進度在控制檯中以訓練步驟與損失的關係進行視覺化。
更新於： 2021年2月25日
201 次瀏覽
廣告