如何使用重新编译后的 Tensorflow 和预训练模型来可视化数据?
tensorflowserver side programmingprogramming
可以使用 ‘matplotlib’ 库使用 Tensorflow 和预训练模型来可视化数据。‘imshow’ 方法用于在控制台上显示数据。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
我们将了解如何借助预训练网络的迁移学习对猫和狗的图像进行分类。图像分类迁移学习背后的直觉是，如果在大型通用数据集上训练模型，则该模型可有效地用作视觉世界的通用模型。它会学习特征图，这意味着用户不必从头开始在大型数据集上训练大型模型。
阅读更多: 如何预先训练定制模型?
我们使用 Google Colaboratory 运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，并且不需要任何配置，并且可以免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。
示例
print("Visualizing the data")
plt.figure(figsize=(10, 10))
for i in range(9):
ax = plt.subplot(3, 3, i + 1)
plt.imshow(image_batch[i].astype("uint8"))
plt.title(class_names[predictions[i]])
plt.axis("off")
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning
输出
解释
当使用小数据集时，可以通过在同一域中较大的数据集上训练的模型来学习特征。
这可以通过实例化预训练模型并在其上添加全连接分类器来实现。
预训练模型被"冻结"，分类器的权重仅在训练期间更新。
卷积基将提取与每幅图像相关的所有特征。
为了提高性能，可以对预训练模型的顶层进行微调。
这样做是为了让模型学习特定于该数据集的高级特征。
当训练数据集很大并且与预训练模型所训练的原始数据集相似时，建议使用此技术。
