本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 影像分類 - TensorFlow
<a name="image-classification-tensorflow"></a>

Amazon SageMaker 影像分類 - TensorFlow 演算法是一種監督式學習演算法，透過 [TensorFlow Hub](https://tfhub.dev/s?fine-tunable=yes&module-type=image-classification&subtype=module,placeholder&tf-version=tf2) 中許多預先訓練模型，支援傳輸學習。即使沒有大量的影像資料，您也可以使用傳輸學習，在您自有的資料集上從可用的預先訓練模型中擇一來微調。影像分類演算法會將影像做為輸入，並輸出概率給每個所提供的類別標籤。訓練資料集必須包含 .jpg、.jpeg 或 .png 格式的影像。此頁面包含 Amazon EC2 執行個體推薦服務和影像分類 - TensorFlow 範例筆記本的相關資訊。

**Topics**
+ [如何使用 SageMaker 影像分類 - TensorFlow 演算法](IC-TF-how-to-use.md)
+ [影像分類演算法 - TensorFlow 的輸入及輸出介面](IC-TF-inputoutput.md)
+ [Amazon EC2 執行個體推薦服務針對影像分類 - TensorFlow 演算法](#IC-TF-instances)
+ [影像分類 - TensorFlow 範例筆記本](#IC-TF-sample-notebooks)
+ [影像分類 - TensorFlow 的運作方式](IC-TF-HowItWorks.md)
+ [TensorFlow Hub 模型](IC-TF-Models.md)
+ [影像分類 - TensorFlow 參數](IC-TF-Hyperparameter.md)
+ [調校影像分類 - TensorFlow 模型](IC-TF-tuning.md)

## Amazon EC2 執行個體推薦服務針對影像分類 - TensorFlow 演算法
<a name="IC-TF-instances"></a>

影像分類 - TensorFlow 演算法支援所有 CPU 和 GPU 執行個體進行訓練，包括：
+ `ml.p2.xlarge`
+ `ml.p2.16xlarge`
+ `ml.p3.2xlarge`
+ `ml.p3.16xlarge`
+ `ml.g4dn.xlarge`
+ `ml.g4dn.16.xlarge`
+ `ml.g5.xlarge`
+ `ml.g5.48xlarge`

我們推薦以記憶體容量較大的 GPU 執行個體用於大批次訓練。CPU (例如 M5) 和 GPU (P2、P3、G4dn 或 G5) 執行個體都可用於推論。

## 影像分類 - TensorFlow 範例筆記本
<a name="IC-TF-sample-notebooks"></a>

如需如何在自訂資料集上使用 SageMaker 影像分類 - TensorFlow 演算法進行傳輸學習的詳細資訊，請參閱 [SageMaker TensorFlow - 影像分類簡介](https://github.com/aws/amazon-sagemaker-examples/blob/main/introduction_to_amazon_algorithms/image_classification_tensorflow/Amazon_TensorFlow_Image_Classification.ipynb)筆記本。

如需如何建立並存取 Jupyter 筆記本執行個體以用來執行 SageMaker AI 中範例的指示，請參閱[Amazon SageMaker 筆記本執行個體](nbi.md)。建立並開啟筆記本執行個體後，請選擇 **SageMaker AI 範例**索引標籤，查看所有 SageMaker AI 範例清單。若要開啟筆記本，請選擇其**使用**標籤，然後選擇**建立複本**。