如何使用Python使Tensorflow适合模型？

使用“fit”方法可以使Tensorflow适合模型。

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。我们可以使用卷积神经网络构建学习模型。

图片分类的迁移学习背后的思想是，如果一个模型在大型通用数据集上训练过，那么这个模型可以有效地作为视觉世界的通用模型。模型已经了解了特征映射，这意味着用户不必从头开始训练大型模型在大型数据集上。

TensorFlow Hub是一个包含预先训练的TensorFlow模型的存储库。 我们将了解如何使用tf.keras从TensorFlow Hub使用模型，使用TensorFlow Hub的图像分类模型。完成此操作后，可以执行迁移学习以微调定制的图像类别模型。这是通过使用预训练分类器模型来获取图像并预测它的操作完成的。这可以在不需要任何训练的情况下完成。

我们使用Google Colaboratory在浏览器上运行以下代码。 Google Colab或Colaboratory可在浏览器上运行Python代码，并且需要零配置并免费访问GPU（图形处理单元）。 Colaboratory是在Jupyter Notebook上构建的。

示例

print("仅训练2个时期")
class CollectBatchStats(tf.keras.callbacks.Callback):
   def __init__(self):
      self.batch_losses = []
      self.batch_acc = []
   def on_train_batch_end(self, batch, logs=None):
      self.batch_losses.append(logs['loss'])
      self.batch_acc.append(logs['acc'])
      self.model.reset_metrics()
batch_stats_callback = CollectBatchStats()
print("调用fit方法")
history = model.fit(train_ds, epochs=2,
callbacks=[batch_stats_callback])

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

输出

仅训练2个时期
调用fit方法
Epoch 1/2
92/92 [==============================] - 88s 919ms/step - loss: 0.7155 - acc: 0.7460
Epoch 2/2
92/92 [==============================] - 85s 922ms/step - loss: 0.3694 - acc: 0.8754

解释

• 使用 .fit 方法来培训模型。

• 培训保持短暂，因此仅使用2个时期进行训练。

• 使用自定义回调来可视化数据，以便单独记录每个批次的损失和准确性。