如何使用 Tensorflow 和预训练模型通过 Python 可视化数据?
tensorflowpythonserver side programmingprogramming
可以使用 ‘matplotlib’ 库通过 Tensorflow 和预训练模型可视化数据。‘plot’ 方法用于在控制台上绘制数据。
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("可视化数据")
plt.figure(figsize=(8, 8))
plt.subplot(2, 1, 1)
plt.plot(acc, label='训练准确率')
plt.plot(val_acc, label='验证准确率')
plt.ylim([0.8, 1])
plt.plot([initial_epochs-1,initial_epochs-1], plt.ylim(), label='开始微调')
plt.legend(loc='lower right')
plt.title('训练和验证准确率')
plt.subplot(2, 1, 2)
plt.plot(loss, label='训练损失')
plt.plot(val_loss, label='验证损失')
plt.ylim([0, 1.0])
plt.plot([initial_epochs-1,initial_epochs-1], plt.ylim(), label='开始微调')
plt.legend(loc='右上')
plt.title('训练和验证损失')
plt.xlabel('epoch')
plt.show()
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning
输出
解释
训练和验证准确率/损失的学习曲线可视化。
这是在微调完成后完成的。
验证损失高于训练损失，这意味着会有一些过度拟合。
这种过度拟合也可能是由于训练数据集相对较小且与原始 MobileNet V2 数据集相似。
一旦完成微调，模型在验证集上的准确率将达到 98%。
