Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Come TensorFlow funziona la classificazione delle immagini
L' TensorFlow algoritmo di classificazione delle immagini prende un'immagine come input e la classifica in una delle etichette della classe di output. Diverse reti di deep learning come MobileNet Inception e EfficientNet sono estremamente accurate per la classificazione delle immagini. ResNet Esistono anche reti di deep learning addestrate su set di dati di immagini di grandi dimensioni, ad esempio ImageNet, che contiene oltre 11 milioni di immagini e quasi 11.000 classi. Dopo aver addestrato una rete con ImageNet i dati, è possibile perfezionare la rete su un set di dati con particolare attenzione per eseguire attività di classificazione più specifiche. L' TensorFlow algoritmo Amazon SageMaker Image Classification supporta il transfer learning su molti modelli preaddestrati disponibili nell' TensorFlow Hub.
In base al numero di etichette delle classi nei dati di allenamento, al modello TensorFlow Hub preaddestrato di tua scelta viene associato un livello di classificazione. Il livello di classificazione è costituito da uno livello dropout, un livello denso e un livello completamente connesso con regolarizzatore norma 2 inizializzato con pesi casuali. Il modello presenta iperparametri per la percentuale di dropout del livello di dropout e il fattore di regolarizzazione L2 per il livello denso. Puoi quindi ottimizzare l'intera rete (incluso il modello preaddestrato) o solo il livello di classificazione superiore in base ai nuovi dati di addestramento. Con questo metodo di trasferimento dell'addestramento, puoi eseguire l’addestramento di set di dati più piccoli.
