图像分类- TensorFlow 工作原理 - Amazon SageMaker

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

图像分类- TensorFlow 工作原理

图像分类- TensorFlow 算法将图像作为输入,并将其分类为输出类别标签之一。各种深度学习网络 MobileNet,例如、 ResNet、Inception 和,在图像分类方面 EfficientNet 都非常准确。还有一些在大型图像数据集上训练的深度学习网络,例如 ImageNet,它拥有超过 1100 万张图像和近 11,000 个类别。使用 ImageNet 数据对网络进行训练后,您可以针对具有特定重点的数据集对网络进行微调,以执行更具体的分类任务。Amazon SageMaker 图像分类- TensorFlow 算法支持在 TensorFlow Hub 中提供的许多预训练模型上进行迁移学习。

根据训练数据中类别标签的数量,分类层将附加到您选择的预训练 TensorFlow 中心模型上。分类层由丢弃层、密集层和具有 2 范数正则化的完全连接层组成,并使用随机权重进行初始化。模型提供了用于丢弃层的丢弃比率的超参数,以及用于密集层的 L2 正则化系数的超参数。然后,您可以在新训练数据上,对整个网络(包括预训练模型)进行微调,也可以仅对顶层分类层进行微调。使用这种迁移学习方法就可以通过较小的数据集进行训练。