如何使用 Tensorflow 和预训练模型将特征转换为每个图像的单个预测?
tensorflowserver side programmingprogramming
通过创建"密集"层并将其应用于顺序模型中的每个图像，可以使用 Tensorflow 和预训练模型将特征转换为每个图像的单个预测。
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("Converting features into single prediction per image")
prediction_layer = tf.keras.layers.Dense(1)
prediction_batch = prediction_layer(feature_batch_average)
print(prediction_batch.shape)
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning
输出
Converting features into single prediction per image (32, 1)
解释
应用了 tf.keras.layers.Dense 层。
这有助于将特征转换为每个图像的单个预测。
不需要激活函数，因为此预测将被视为 logit 或原始预测值。
正数预测类别 1，负数预测类别 0。
