TensorFlow का उपयोग एक अनुक्रमिक मॉडल का उपयोग करके एक वर्गीकरण शीर्ष को संलग्न करने के लिए किया जा सकता है जिसमें एक घनी परत होती है, एक फीचर एक्सट्रैक्टर मॉडल का उपयोग करके, जिसे पहले परिभाषित किया गया था।
और पढ़ें: TensorFlow क्या है और Keras कैसे तंत्रिका नेटवर्क बनाने के लिए TensorFlow के साथ काम करता है?
एक तंत्रिका नेटवर्क जिसमें कम से कम एक परत होती है, एक दृढ़ परत के रूप में जानी जाती है। हम लर्निंग मॉडल बनाने के लिए कन्वेन्शनल न्यूरल नेटवर्क का उपयोग कर सकते हैं।
छवि वर्गीकरण के लिए स्थानांतरण सीखने के पीछे अंतर्ज्ञान है, यदि एक मॉडल को बड़े और सामान्य डेटासेट पर प्रशिक्षित किया जाता है, तो इस मॉडल का उपयोग दृश्य दुनिया के लिए एक सामान्य मॉडल के रूप में प्रभावी ढंग से करने के लिए किया जा सकता है। इसने फीचर मैप्स सीख लिए होंगे, जिसका अर्थ है कि उपयोगकर्ता को बड़े डेटासेट पर बड़े मॉडल को प्रशिक्षित करके शुरू से शुरू नहीं करना पड़ेगा।
TensorFlow हब एक भंडार है जिसमें पूर्व-प्रशिक्षित TensorFlow मॉडल शामिल हैं। TensorFlow का उपयोग सीखने के मॉडल को बेहतर बनाने के लिए किया जा सकता है।
हम समझेंगे कि tf.keras के साथ TensorFlow हब से मॉडल का उपयोग कैसे करें, TensorFlow हब से छवि वर्गीकरण मॉडल का उपयोग करें। एक बार यह हो जाने के बाद, अनुकूलित छवि वर्गों के लिए एक मॉडल को ठीक करने के लिए स्थानांतरण सीखने का प्रदर्शन किया जा सकता है। यह एक छवि लेने के लिए एक पूर्व-प्रशिक्षित क्लासिफायरियर मॉडल का उपयोग करके किया जाता है और भविष्यवाणी करता है कि यह क्या है। यह बिना किसी प्रशिक्षण की आवश्यकता के किया जा सकता है।
हम नीचे दिए गए कोड को चलाने के लिए Google सहयोग का उपयोग कर रहे हैं। Google Colab या Colaboratory ब्राउज़र पर पायथन कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन और GPU (ग्राफ़िकल प्रोसेसिंग यूनिट) तक मुफ्त पहुंच की आवश्यकता होती है। जुपिटर नोटबुक के ऊपर कोलैबोरेटरी बनाई गई है।
उदाहरण
print("Attaching a classification head")
num_classes = len(class_names)
model = tf.keras.Sequential([
feature_extractor_layer,
tf.keras.layers.Dense(num_classes)
])
print("The base architecture of the model")
model.summary()
print("The predictions are made")
predictions = model(image_batch)
print("The dimensions of the predictions")
predictions.shape कोड क्रेडिट -https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
आउटपुट
Attaching a classification head The base architecture of the model Model: "sequential_3" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= keras_layer_1 (KerasLayer) (None, 1280) 2257984 _________________________________________________________________ dense_3 (Dense) (None, 5) 6405 ================================================================= Total params: 2,264,389 Trainable params: 6,405 Non-trainable params: 2,257,984 _________________________________________________________________ The predictions are made The dimensions of the predictions TensorShape([32, 5])
स्पष्टीकरण
- वर्गीकरण शीर्ष मॉडल से जुड़ा हुआ है।
- एक बार यह हो जाने के बाद, मॉडल का आधार आर्किटेक्चर निर्धारित किया जाता है।
- यह 'सारांश' पद्धति की सहायता से किया जाता है।
- डेटा के आयाम निर्धारित किए जाते हैं।
- यह जानकारी कंसोल पर प्रदर्शित होती है।