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 Image Classification - prend une image en entrée et la classe dans l'une des étiquettes de classe de sortie. Divers 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 profond formés sur de grands ensembles de données d'images ImageNet, tels que ceux qui contiennent plus de 11 millions d'images et près de 11 000 classes. Une fois qu'un réseau a été entraîné avec ImageNet des données, vous pouvez affiner le réseau sur un jeu de données en mettant un accent particulier sur l'exécution de 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 de formation, une couche de classification est attachée au modèle 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.
