Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
So TensorFlow funktioniert die Bildklassifizierung
Der TensorFlow Algorithmus zur Bildklassifizierung verwendet ein Bild als Eingabe und klassifiziert es in eines der Ausgabeklassenlabels. Verschiedene Deep-Learning-Netzwerke wie MobileNet, ResNet, Inception und EfficientNet sind bei der Bildklassifizierung sehr genau. Es gibt auch Deep-Learning-Netzwerke, die auf großen Bilddatensätzen trainiert werden ImageNet, z. B. mit über 11 Millionen Bildern und fast 11.000 Klassen. Nachdem ein Netzwerk mit ImageNet Daten trainiert wurde, können Sie das Netzwerk anhand eines Datensatzes mit einem bestimmten Fokus feinabstimmen, um spezifischere Klassifizierungsaufgaben auszuführen. Der Amazon SageMaker Image Classification — TensorFlow Algorithmus unterstützt Transfer Learning auf vielen vortrainierten Modellen, die im TensorFlow Hub verfügbar sind.
Entsprechend der Anzahl der Klassenbezeichnungen in Ihren Trainingsdaten wird dem vortrainierten TensorFlow Hub-Modell Ihrer Wahl eine Klassifizierungsebene hinzugefügt. Die Klassifikationsschicht besteht aus einer Dropout-Schicht, einer dichten Schicht und einer vollständig verbundenen Layer mit 2-Norm-Regularizer, die mit zufälliger Gewichtung initialisiert wird. Das Modell verfügt über Hyperparameter für die Dropout-Rate der Dropout-Schicht und den L2-Regularisierungsfaktor für die dichte Schicht. Anschließend können Sie entweder das gesamte Netzwerk (einschließlich des vortrainierten Modells) oder nur die oberste Klassifikationsebene anhand neuer Trainingsdaten feinabstimmen. Mit dieser Methode des Transfer Learning ist ein Training mit kleineren Datensätzen möglich.
