如何使用Python和Tensorflow进行预测检查？

Tensorflow可以通过使用’matplotlib’来可视化使用ImageNet进行的预测，并使用’imshow’方法进行检查。

至少包含一层的神经网络被称为卷积层。我们可以使用卷积神经网络来构建学习模型。

图像分类的迁移学习背后的直觉是，如果模型针对大规模和通用数据集进行了训练，该模型可以有效地作为视觉世界的通用模型。这意味着它已经学习到了特征映射，这意味着用户不必从头开始训练大型模型，也可以使用迁移学习。

TensorFlow Hub是包含预先训练的TensorFlow模型的存储库。可以使用TensorFlow对学习模型进行微调。

我们将了解如何使用来自TensorFlow Hub的模型与tf.keras，使用来自TensorFlow Hub的图像分类模型。一旦完成这些步骤后，可以执行迁移学习以微调自定义图像类的模型。这可以通过使用预训练的分类器模型来进行，以获取图像并预测其是什么，而无需任何训练。

我们使用Google Colaboratory运行以下代码。 Google Colab或Colaboratory可以在浏览器上运行Python代码，并且不需要任何配置，并且可以免费访问GPU（图形处理单元）。 Colaboratory是基于Jupyter Notebook构建的。

更多Python相关文章，请阅读：Python 教程

示例

print("Predictions are checked")
plt.figure(figsize=(10,9))
plt.subplots_adjust(hspace=0.5)
for n in range(30):
plt.subplot(6,5,n+1)
plt.imshow(image_batch[n])
plt.title(predicted_class_names[n])
plt.axis('off')
_ = plt.suptitle("ImageNet predictions")

代码来源： https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub