如何用Python使用Tensorflow检查预测结果？

使用Numpy包中的“predict”方法和“argmax”方法可以使用Tensorflow检查预测结果。

更多Python相关文章，请阅读：Python 教程

包含至少一层的神经网络称为卷积层。

图像分类的传输学习背后的直觉是，如果模型在大型和一般的数据集上进行了训练，则该模型可以用于有效地作为视觉世界的通用模型。它将学习特征映射，这意味着用户不必从头开始通过训练大型数据集上的大型模型。

TensorFlow Hub是包含预训练的TensorFlow模型的存储库。

我们将了解如何使用TensorFlow Hub中的模型使用tf.keras，使用来自TensorFlow Hub的图像分类模型。完成此操作后，可以执行迁移学习，以对定制的图像类进行微调模型。这是通过使用预训练的分类器模型获取图像并预测它是什么来完成的。这可以在无需任何训练的情况下完成。

我们使用Google Colaboratory来运行以下代码。 Google Colab或Colaboratory可以通过浏览器在Python中运行代码，无需任何配置，并且可以免费访问GPU（图形处理单元）。 Colaboratory在Jupyter Notebook之上构建。

示例

print("The predictions are checked")
predicted_batch = model.predict(image_batch)
predicted_id = np.argmax(predicted_batch, axis=-1)
predicted_label_batch = class_names[predicted_id]

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

输出

The predictions are checked

说明

• 可以重新绘制之前的图。
• 首先获取类名的有序列表。