图像分类 – TensorFlow 的工作方式

图像分类 – TensorFlow 算法将图像作为输入，并将其归类为输出类标签之一。各种深度学习网络，例如 MobileNet、ResNet、Inception 和 EfficientNet，都可以提供非常准确的图像分类。还有一些在大型图像数据集上训练的深度学习网络，例如 ImageNet，它拥有超过 1100 万张图像和近 11000 个类别。使用 ImageNet 数据对网络进行训练后，您可以使用一个数据集对网络进行微调，将重点放在执行更具体的分类任务上。Amazon SageMaker 图像分类 – TensorFlow 算法支持使用 TensorFlow Hub 中提供的多种预先训练的模型进行迁移学习。

根据训练数据中类标签的数量，图像分类层将附加到您选择的预先训练的 TensorFlow Hub 模型上。分类层由丢弃层、密集层和具有 2 范数正则化的完全连接层组成，并使用随机权重进行初始化。模型提供了用于丢弃层的丢弃比率的超参数，以及用于密集层的 L2 正则化系数的超参数。然后，您可以在新训练数据上，对整个网络（包括预训练模型）进行微调，也可以仅对顶层分类层进行微调。使用这种迁移学习方法就可以通过较小的数据集进行训练。