Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Comment TensorFlow fonctionne la classification des images
L' TensorFlow algorithme Classification des images prend une image en entrée et la classe dans l'une des étiquettes de classe de sortie. Différents réseaux d'apprentissage en profondeur tels que MobileNet ResNet, Inception et EfficientNet sont très précis pour la classification des images. Il existe également des réseaux d'apprentissage en profondeur qui sont entraînés sur de grands ensembles de données d'images, tels que ImageNet, qui contient plus de 11 millions d'images et près de 11 000 classes. Une fois qu'un réseau a été entraîné à l'aide de ImageNet données, vous pouvez ensuite affiner le réseau sur un jeu de données en mettant l'accent sur des tâches de classification plus spécifiques. L' TensorFlow algorithme Amazon SageMaker Image Classification prend en charge l'apprentissage par transfert sur de nombreux modèles préentraînés disponibles dans le TensorFlow Hub.
En fonction du nombre d'étiquettes de cours figurant dans vos données d'entraînement, une couche de classification est attachée au modèle de TensorFlow hub préentraîné de votre choix. La couche de classification se compose d'une couche d'abandon, d'une couche dense et d'une couche entièrement connectée avec un régulariseur à 2 normes initialisé avec des pondérations aléatoires. Le modèle possède des hyperparamètres pour le taux d'abandon de la couche d'abandon et le facteur de régularisation L2 pour la couche dense. Vous pouvez ensuite affiner le réseau entier (y compris le modèle pré-entraîné) ou uniquement la couche de classification supérieure sur les nouvelles données d'entraînement. Avec cette méthode d'apprentissage par transfert, un entraînement avec des jeux de données plus petits est possible.
