Python 如何使用Python使用预训练模型和Tensorflow提取特征？

使用一个预先定义好的特征提取模型，可以在‘KerasLayer’方法中使用Tensorflow来提取特征。

至少包含一层的神经网络称为卷积层。我们可以使用卷积神经网络来构建学习模型。 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直觉是，如果一个模型在大型和通用的数据集上进行训练，那么此模型可以有效地用作视觉世界的通用模型。 它会学习特征映射，这意味着用户不必从头开始在大型数据集上训练大型模型。

TensorFlow Hub是一个包含预先训练的TensorFlow模型的存储库。 TensorFlow可用于微调学习模型。

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。完成后，可以执行转移学习以微调用于自定义图像类别的模型。 这是通过使用预先训练的分类器模型来获取图像并预测图像的内容来完成的。 这可以在没有任何训练的情况下完成。

我们使用Google Colaboratory来运行下面的代码。 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。 免费访问GPU（图形处理单元）。 Colaboratory是建立在Jupyter Notebook上的。

阅读更多：Python 教程

示例

print("Extracting features")
feature_extractor_model = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/4"
feature_extractor_layer = hub.KerasLayer(
feature_extractor_model, input_shape=(224, 224, 3), trainable=False)
feature_batch = feature_extractor_layer(image_batch)
print(feature_batch.shape)

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

输出

Extracting features
(32, 1280)

说明

• 特征被提取出来,
• ‘feature_extractor_layer’用于获取数据集的特征。
• 特征的尺寸在控制台上显示。