TensorFlow có thể được sử dụng để trực quan hóa loss so với huấn luyện bằng thư viện 'matplotlib' và phương thức 'plot' để vẽ dữ liệu.
Đọc thêm: TensorFlow là gì và Keras hoạt động như thế nào với TensorFlow để tạo mạng nơ-ron?
Một mạng nơ-ron chứa ít nhất một layer được gọi là layer tích chập. Chúng ta có thể sử dụng Mạng nơ-ron tích chập (CNN) để xây dựng mô hình học.
Trực quan sau học chuyển giao cho phân loại hình ảnh là: nếu một mô hình được huấn luyện trên một tập dữ liệu lớn và chung, mô hình này có thể được sử dụng hiệu quả như một mô hình chung cho thế giới thị giác. Nó đã học được các bản đồ đặc trưng, nghĩa là người dùng không phải bắt đầu từ đầu bằng cách huấn luyện một mô hình lớn trên tập dữ liệu lớn.
TensorFlow Hub là kho chứa các mô hình TensorFlow đã huấn luyện sẵn. TensorFlow có thể được dùng để tinh chỉnh mô hình học.
Chúng ta sẽ hiểu cách sử dụng các mô hình từ TensorFlow Hub với tf.keras, sử dụng mô hình phân loại hình ảnh từ TensorFlow Hub. Sau khi làm xong, học chuyển giao có thể được thực hiện để tinh chỉnh mô hình cho các lớp hình ảnh tùy chỉnh. Điều này được thực hiện bằng cách sử dụng một mô hình phân loại đã huấn luyện sẵn để nhận một hình ảnh và dự đoán nó là gì. Điều này có thể làm được mà không cần bất kỳ huấn luyện nào.
Chúng ta đang sử dụng Google Colaboratory để chạy mã dưới đây. Google Colab giúp chạy mã Python trên trình duyệt và yêu cầu cấu hình zero và truy cập miễn phí GPU. Colaboratory được xây dựng dựa trên Jupyter Notebook.
Ví dụ
print("Trực quan hóa dữ liệu - loss so với các bước huấn luyện")
plt.figure()
plt.ylabel("Loss")
plt.xlabel("Training Steps")
plt.ylim([0,2])
plt.plot(batch_stats_callback.batch_losses)
Nguồn mã: https://www.tensorflow.org/tutorials/images/transfer_learning_with_hub
Đầu ra
Giải thích
- Sau một số vòng lặp huấn luyện, mô hình có thể được nhìn thấy là đang tiến bộ.
- Tiến độ này được trực quan hóa trên console, dưới dạng các bước huấn luyện so với loss.