แนวคิด
ใช้ tf.keras.Sequential ที่มีเลเยอร์ Dense ร่วมกับ feature extractor model ที่กำหนดไว้ก่อนหน้า
แนวคิด Transfer Learning, TensorFlow Hub, Google Colab เหมือนเดิม
ตัวอย่างโค้ด
print("Attaching a classification head")
num_classes = len(class_names)
model = tf.keras.Sequential([
feature_extractor_layer,
tf.keras.layers.Dense(num_classes)
])
print("The base architecture of the model")
model.summary()
print("The predictions are made")
predictions = model(image_batch)
print("The dimensions of the predictions")
predictions.shape
Credit: TensorFlow Tutorials
ผลลัพธ์
Attaching a classification head The base architecture of the model Model: "sequential_3" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= keras_layer_1 (KerasLayer) (None, 1280) 2257984 dense_3 (Dense) (None, 5) 6405 ================================================================= Total params: 2,264,389 Trainable params: 6,405 Non-trainable params: 2,257,984 _________________________________________________________________ The predictions are made The dimensions of the predictions TensorShape([32, 5])
คำอธิบาย
- ต่อ Classification Head เข้ากับโมเดล
- ดูสถาปัตยะพื้นฐานด้วย
summary() - ทำการทำนายและตรวจสอบมิติของผลลัพธ์
- ข้อมูลแสดงบนคอนโซล
