เทนเซอร์โฟลว์และโมเดลที่ได้รับการฝึกอบรมล่วงหน้าสามารถใช้สำหรับการประเมินและการทำนายข้อมูลโดยใช้วิธีการ 'ประเมิน' และ 'คาดการณ์' แบทช์ของอิมเมจอินพุตจะถูกทำให้แบนก่อน ฟังก์ชัน sigmoid ถูกนำไปใช้กับโมเดลเพื่อส่งกลับค่า logit
อ่านเพิ่มเติม: TensorFlow คืออะไรและ Keras ทำงานร่วมกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร
โครงข่ายประสาทเทียมที่มีอย่างน้อยหนึ่งชั้นเรียกว่าชั้น Convolutional เราสามารถใช้ Convolutional Neural Network เพื่อสร้างแบบจำลองการเรียนรู้
เราจะเข้าใจวิธีการจำแนกภาพแมวและสุนัขด้วยความช่วยเหลือในการถ่ายโอนการเรียนรู้จากเครือข่ายที่ผ่านการฝึกอบรมมาแล้ว สัญชาตญาณเบื้องหลังการเรียนรู้การถ่ายโอนสำหรับการจัดประเภทรูปภาพคือ หากแบบจำลองได้รับการฝึกอบรมในชุดข้อมูลขนาดใหญ่และทั่วไป โมเดลนี้จะสามารถใช้เป็นแบบจำลองทั่วไปสำหรับโลกแห่งการมองเห็นได้อย่างมีประสิทธิภาพ มันจะได้เรียนรู้ฟีเจอร์แมป ซึ่งหมายความว่าผู้ใช้จะไม่ต้องเริ่มต้นจากศูนย์ด้วยการฝึกโมเดลขนาดใหญ่ในชุดข้อมูลขนาดใหญ่
อ่านเพิ่มเติม: โมเดลที่ปรับแต่งเองจะได้รับการฝึกอบรมล่วงหน้าได้อย่างไร
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory สร้างขึ้นบน Jupyter Notebook
ตัวอย่าง
print("Evaluation and prediction")
loss, accuracy = model.evaluate(test_dataset)
print('Test accuracy is :', accuracy)
print("The batch of image from test set is retrieved")
image_batch, label_batch = test_dataset.as_numpy_iterator().next()
predictions = model.predict_on_batch(image_batch).flatten()
print("The sigmoid function is applied on the model, it returns logits")
predictions = tf.nn.sigmoid(predictions)
predictions = tf.where(predictions < 0.5, 0, 1)
print('Predictions are:\n', predictions.numpy())
print('Labels are:\n', label_batch) เครดิตโค้ด −https://www.tensorflow.org/tutorials/images/transfer_learning
ผลลัพธ์
Evaluation and prediction 6/6 [==============================] - 3s 516ms/step - loss: 0.0276 - accuracy: 0.9844 Test accuracy is : 0.984375 The batch of image from test set is retrieved The sigmoid function is applied on the model, it returns logits Predictions are: [1 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 1] Labels are: [1 1 1 1 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 1]
คำอธิบาย
- ตอนนี้สามารถใช้โมเดลในการทำนายและประเมินข้อมูลได้
- การคาดคะเนจะกระทำเมื่อส่งภาพเป็นอินพุต
- การคาดคะเนต้องเป็นรูปหมาหรือแมว
