本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 图像分类的工作原理
<a name="IC-HowItWorks"></a>

图像分类算法将图像作为输入，并将其归入输出类别之一。深度学习彻底改变了图像分类域，并且表现非常出色。已经开发出各种深度学习网络 [ResNet](https://arxiv.org/abs/1512.03385)，例如[DenseNet](https://arxiv.org/abs/1608.06993)、[、](https://arxiv.org/pdf/1409.4842.pdf) Inception 等，这些网络对于图像分类具有很高的准确性。同时，人们一直在努力收集标记的图像数据，这些数据对于训练这些网络至关重要。 [ImageNet](https://www.image-net.org/)就是这样一个庞大的数据集，包含超过 1100 万张图像，大约有 11,000 个类别。使用 ImageNet 数据训练网络后，通过简单的重新调整或微调，也可以将其与其他数据集一起进行泛化。在这种迁移学习方法中，使用权重初始化网络（在本例中，使用权重进行训练 ImageNet），稍后可以针对不同数据集中的图像分类任务对其进行微调。

Amazon A SageMaker I 中的图像分类可以在两种模式下运行：完全训练和迁移学习。在完整训练模式下，网络使用随机权重进行初始化，并从头开始根据用户数据进行训练。在迁移学习模式下，网络使用预先训练的权重进行初始化，并且只有顶部完全连接的层使用随机权重进行初始化。然后，使用新数据对整个网络进行微调。在此模式下，甚至可以使用较小数据集实现训练。这是因为网络已经过训练，因此可在训练数据不足的情况下使用。