如何使用 Tensorflow 添加批处理维度并使用 Python 将图像传递给模型?
tensorflowserver side programmingprogrammingpython
可以使用 Tensorflow 添加批处理维度，并通过将图像转换为 Numpy 数组将图像传递给模型。
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，无需配置，可以免费访问 GPU(图形处理单元)。Colaboratory 建立在 Jupyter Notebook 之上。
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。
TensorFlow Hub 是一个包含预训练 TensorFlow 模型的存储库。TensorFlow 可用于微调学习模型。
我们将了解如何将 TensorFlow Hub 中的模型与 tf.keras 结合使用，使用 TensorFlow Hub 中的图像分类模型。完成此操作后，可以执行迁移学习以微调针对自定义图像类别的模型。这是通过使用预训练的分类器模型来获取图像并预测其内容来完成的。这可以在不需要任何训练的情况下完成。
示例
grace_hopper = np.array(grace_hopper)/255.0
print("图像的尺寸为")
print(grace_hopper.shape)
result = classifier.predict(grace_hopper[np.newaxis, ...])
print("结果图像的尺寸为")
print(result.shape)
predicted_class = np.argmax(result[0], axis=-1)
print("预测类别为")
print(predicted_class)
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
输出
图像的尺寸为 (224, 224, 3) 结果图像的尺寸为 (1, 1001) 预测类别为 819
解释
- 添加了批处理维度。
- 图像被传递给模型。
- 结果是一个 1001 个元素的 logits 向量。
- 这将评估图像每个类别的概率。
