如何使用 Tensorflow 使用 Python 创建特征提取器?
tensorflowpythonserver side programmingprogramming
Tensorflow 可通过使用缓冲预取来创建特征提取器。通过设置 trainable=False 即可完成。
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。
图像分类迁移学习背后的直觉是，如果一个模型是在大型通用数据集上训练的，那么这个模型可以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。
我们正在使用 Google Colaboratory 运行以下代码。 Google Colab 或 Colaboratory 可帮助在浏览器上运行 Python 代码，无需配置，可免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。
示例
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
print("数据的维度")
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
输出
数据的维度 (32, 224, 224, 3) (32,)
解释
- TFHub 分发模型，无需顶层分类层。
- 它们可用于迁移学习。
- 可以使用来自 tfhub.dev 的任何兼容图像特征向量模型。
- 可以借助 trainable=False 创建特征提取器。
- 这可用于冻结特征提取器层中的变量。
- 这样做是为了让训练仅修改新的分类器层。
- 它将为每个图像返回一个长度为 1280 的向量。
