如何使用 Tensorflow 和预训练模型来链接数据增强、重新缩放和基础模型?
tensorflowserver side programmingprogramming
首先定义输入的大小，即可使用 Tensorflow 和预训练模型来链接数据增强、重新缩放和基础模型。完成此操作后，先前定义的函数(即 ‘data_augmentation’、‘base_model’)通过传递相关输出来调用。
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("Chaining together data augmentation, rescaling, base_model and feature extractor layers")
inputs = tf.keras.Input(shape=(160, 160, 3))
x = data_augmentation(inputs)
x = preprocess_input(x)
x = base_model(x, training=False)
x = global_average_layer(x)
x = tf.keras.layers.Dropout(0.2)(x)
outputs = prediction_layer(x)
model = tf.keras.Model(inputs, outputs)
输出
Chaining together data augmentation, rescaling, base_model and feature extractor layers
解释
通过链接数据增强、重新缩放、base_model 和特征提取器层来构建模型。
这是在 Keras Functional API 的帮助下完成的。
由于模型包含 BatchNormalization 层，因此使用 training=False。
