Python 如何使用Python创建一个特征提取器使用Tensorflow？

使用缓冲预提方式和设置trainable=False，可以使用Tensorflow创建特征提取器。

包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。 使用卷积神经网络构建学习模型。

图像分类的转移学习背后的动机是，如果模型在大型通用数据集上进行了训练，该模型可以有效地用作视觉世界的通用模型。它将学习特征映射，这意味着用户无需从头开始在大型数据集上训练大型模型。

TensorFlow Hub是一个包含预训练的TensorFlow模型的存储库。TensorFlow可用于微调学习模型。 如何使用TensorFlow Hub微调学习模型？

我们将了解如何使用TensorFlow Hub中的模型与tf.keras合作，在TensorFlow Hub中使用图像分类模型。一旦完成，就可以执行转移学习，为定制的图像类微调模型。这是通过使用预训练的分类器模型来获取图像并预测它的方法来完成的，这可以在不需要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可在浏览器上运行Python代码，并需要零配置和对GPU（图形处理器）的免费访问。 Colaboratory是建立在Jupyter Notebook之上的。

阅读更多：Python 教程

范例

AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
print("The dimensions of data")
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break

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

输出

The dimensions of data
(32, 224, 224, 3)
(32,)

说明

• TFHub分发模型无需顶部分类层。
• 它们可用于转移学习。
• 任何兼容的图像特征向量模型都可以使用tfhub.dev。
• 可以通过trainable=False创建特征提取器。
• 这可以用于冻结特征提取器层中的变量。
• 这样做是为了仅修改新分类器层的培训。
• 它将为每个图像返回长度为1280的向量。