如何使用 Python 将 Tensorflow 和预训练模型用于数据评估和预测?
tensorflowserver side programmingprogrammingpython
可以使用‘evaluate’和‘predict’方法将 Tensorflow 和预训练模型用于数据评估和预测。首先将输入图像批次展平。在模型上应用了 S 型函数,以便返回 logit 值。
阅读更多: 什么是 TensorFlow,以及 Keras 如何与 TensorFlow 配合创建神经网络?
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来构建学习模型。
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 来运行以下代码。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 已在 Jupyter Notebook 上构建。
示例
print("评估和预测") loss, accuracy = model.evaluate(test_dataset) print(&39;测试准确率为:', accuracy) print("从测试集中检索一批图像") image_batch, label_batch = test_dataset.as_numpy_iterator().next() predictions = model.predict_on_batch(image_batch).flatten() print("在模型上应用了 sigmoid 函数,它返回 logits") predictions = tf.nn.sigmoid(predictions) predictions = tf.where(predictions < 0.5, 0, 1) print('预测为:\n', predictions.numpy()) print('标签为:\n', label_batch)
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning
输出
评估和预测 6/6 [==============================] - 3s 516ms/step - loss: 0.0276 - accuracy: 0.9844 测试准确率为: 0.984375 从测试集中检索一批图像 在模型上应用 sigmoid 函数,它返回 logits 预测是: [1 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 1] 标签是: [1 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 1]
解释
- 现在可以使用模型来预测和评估数据。
- 当图像作为输入传递时,预测就完成了。
- 预测必须是图像是狗还是猫。