Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

图像分类 – TensorFlow

Amazon SageMaker 图像分类 – TensorFlow 算法是一种有监督学习算法，支持使用 TensorFlow Hub 中的多种预先训练的模型进行迁移学习。使用迁移学习，即使没有大量图像数据可用，也可以在您自己的数据集上对一个可用的预训练模型进行微调。图像分类算法将图像作为输入，并输出提供的每个类标签的概率。训练数据集必须由 .jpg、.jpeg 或 .png 格式的图像组成。

如何使用 SageMaker 图像分类 – TensorFlow 算法。

您可以使用图像分类 – TensorFlow 算法作为 Amazon SageMaker 的内置算法。以下部分介绍如何将图像分类 – TensorFlow 与 SageMaker Python SDK 结合使用。有关如何从 Amazon SageMaker Studio UI 使用图像分类 – TensorFlow 的信息，请参阅 SageMaker JumpStart。

图像分类 – TensorFlow 算法支持使用任何预先训练的兼容 TensorFlow Hub 模型进行迁移学习。有关所有可用的预先训练模型的列表，请参阅 TensorFlow Hub 模型。每个预先训练的模型都有独特的 model_id。以下示例使用 MobileNet V2 1.00 224 (model_id:tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4) 对自定义数据集进行微调。预先训练的模型均提前下载自 TensorFlow Hub，并存储在 Amazon S3 存储桶中，这样训练作业就可以在网络隔离的条件下运行。使用这些预先生成的模型训练构件来构造 SageMaker Estimator。

首先，检索 Docker 映像 URI、训练脚本 URI 和预先训练模型 URI。然后，根据需要更改超参数。您可以使用 hyperparameters.retrieve_default 查看包含所有可用超参数及其默认值的 Python 字典。有关更多信息，请参阅 图像分类 – TensorFlow 超参数。使用这些值来构造 SageMaker Estimator。

此示例使用 tf_flowers 数据集，其中包含五类花卉图像。我们依据 Apache 2.0 许可，从 TensorFlow 预先下载了数据集，并使其在 Amazon S3 中可用。要对模型进行微调，请使用训练数据集的 Amazon S3 位置调用 .fit。

from sagemaker import image_uris, model_uris, script_uris, hyperparameters
from sagemaker.estimator import Estimator

model_id, model_version = "tensorflow-ic-imagenet-mobilenet-v2-100-224-classification-4", "*"
training_instance_type = "ml.p3.2xlarge"

# Retrieve the Docker image
train_image_uri = image_uris.retrieve(model_id=model_id,model_version=model_version,image_scope="training",instance_type=training_instance_type,region=None,framework=None)

# Retrieve the training script
train_source_uri = script_uris.retrieve(model_id=model_id, model_version=model_version, script_scope="training")

# Retrieve the pretrained model tarball for transfer learning
train_model_uri = model_uris.retrieve(model_id=model_id, model_version=model_version, model_scope="training")

# Retrieve the default hyper-parameters for fine-tuning the model
hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version)

# [Optional] Override default hyperparameters with custom values
hyperparameters["epochs"] = "5"

# The sample training data is available in the following S3 bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/tf_flowers/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-ic-training"
s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

# Create SageMaker Estimator instance
tf_ic_estimator = Estimator(
    role=aws_role,
    image_uri=train_image_uri,
    source_dir=train_source_uri,
    model_uri=train_model_uri,
    entry_point="transfer_learning.py",
    instance_count=1,
    instance_type=training_instance_type,
    max_run=360000,
    hyperparameters=hyperparameters,
    output_path=s3_output_location,
)

# Use S3 path of the training data to launch SageMaker TrainingJob
tf_ic_estimator.fit({"training": training_dataset_s3_path}, logs=True)

图像分类 – TensorFlow 算法的输入和输出接口

TensorFlow Hub 模型中列出的每个预先训练模型，都可以通过包含任意数量的图像类别的数据集进行微调。请注意如何格式化训练数据，以便输入到图像分类 – TensorFlow 模型中。

以下是输入目录结构的示例。此示例数据集有两个类：roses 和 dandelion。每个类文件夹中的图像文件可以使用任意名称。输入目录应托管在 Amazon S3 存储桶中，路径类似于如下所示：s3://bucket_name/input_directory/。请注意，结尾的 / 是必需的。

input_directory
    |--roses
        |--abc.jpg
        |--def.jpg
    |--dandelion
        |--ghi.jpg
        |--jkl.jpg

经过训练的模型输出标签映射文件，这些文件将类文件夹名称映射到输出类概率列表中的索引。此映射按字母顺序排列。例如，在前面的示例中，dandelion 类的索引为 0，roses 类的索引为 1。

训练完成后，您将得到经过微调的模型，您可以使用增量训练对其进行进一步训练，也可以部署该模型进行推理。图像分类 – TensorFlow 算法会自动将预处理和后处理签名添加到经过微调的模型中，这样模型就可以将图像作为输入并返回类概率。将类索引映射到类标签的文件与模型一起保存。

增量训练

您可以使用以前通过 SageMaker 训练的模型中的构件作为种子来训练新模型。当您想训练具有相同或类似数据的新模型时，这种增量训练可节省训练时间。

只要类别集合保持不变，就可以使用任何数据集进行增量训练。增量训练步骤与微调步骤类似，但不是使用预先训练的模型开始，而是从现有的微调模型开始。有关通过 SageMaker 图像分类 – TensorFlow 算法进行增量训练的示例，请参阅 SageMaker TensorFlow 简介 – 图像分类示例笔记本。

使用图像分类 – TensorFlow 算法进行推理

您可以托管通过 TensorFlow 图像分类训练得到的微调模型，以便用于推理。任何用于推理的输入图像都必须采用 .jpg、.jpeg 或 .png 格式，并且内容类型为 application/x-image。图像分类 – TensorFlow 算法会自动调整输入图像的大小。

运行推理会生成概率值、所有类的类标签以及与概率最高的类索引对应的预测标签，这些标签以 JSON 格式编码。图像分类 – TensorFlow 模型的每个请求处理一个图像，并且仅输出一行。以下是 JSON 格式响应的示例：

accept: application/json;verbose

 {"probabilities": [prob_0, prob_1, prob_2, ...],
  "labels":        [label_0, label_1, label_2, ...],
  "predicted_label": predicted_label}

如果 accept 设置为 application/json，则模型仅输出概率。有关通过图像分类 – TensorFlow 算法进行训练和推理的更多信息，请参阅 SageMaker TensorFlow 简介 – 图像分类示例笔记本。

图像分类 – TensorFlow 算法的 Amazon EC2 实例推荐

图像分类 – TensorFlow 算法支持使用所有 CPU 和 GPU 实例进行训练，包括：

对于大批量训练，建议使用具有更多内存的 GPU 实例。CPU（例如 M5）实例和 GPU（P2、P3、G4dn 或 G5）实例都可用于推理。

图像分类 – TensorFlow 示例笔记本

有关如何使用 SageMaker 图像分类 – TensorFlow 算法在自定义数据集上进行迁移学习的更多信息，请参阅 SageMaker TensorFlow 简介 – 图像分类笔记本。

有关如何创建和访问可用于在 SageMaker 中运行示例的 Jupyter 笔记本实例的说明，请参阅 Amazon SageMaker 笔记本实例。创建笔记本实例并将其打开后，选择 SageMaker 示例选项卡以查看所有 SageMaker 示例的列表。要打开笔记本，请选择其使用选项卡，然后选择创建副本。