如何使用Tensorflow在Python中绘制结果？

使用“matplotlib”库和“imshow”方法，可以使用Tensorflow在Python中绘制结果。

至少包含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，如果模型在大型和常规数据集上得到训练，则此模型可以用于有效地作为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训练大型模型在大型数据集上。

TensorFlow Hub是包含预先训练的TensorFlow模型的存储库。 TensorFlow可以用于微调学习模型。

我们将了解如何使用tf.keras从TensorFlow Hub模型中使用模型，使用TensorFlow Hub中的图像分类模型。完成此操作后，可以执行迁移学习，对定制的图像类进行微调模型。通过使用预训练的分类器模型来获取图像并预测它是什么，可以完成此操作。这可以在不需要任何培训的情况下完成。

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，不需要任何配置，可以免费访问GPU（图形处理单元）。 Colaboratory是在Jupyter Notebook的基础上构建的。

更多Python相关文章，请阅读：Python 教程

示例

print("The results are plotted")
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_label_batch[n].title())
plt.axis('off')
_ = plt.suptitle("Model predictions")

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