Tensorflow và mô hình được đào tạo trước có thể được sử dụng để trực quan hóa dữ liệu bằng thư viện ‘matplotlib’. Phương thức 'plot' được sử dụng để vẽ dữ liệu trên bảng điều khiển.
Đọc thêm: TensorFlow là gì và cách Keras làm việc với TensorFlow để tạo Mạng thần kinh?
Một mạng nơ-ron chứa ít nhất một lớp được gọi là lớp chập. Chúng ta có thể sử dụng Mạng thần kinh hợp pháp để xây dựng mô hình học tập.
Chúng ta sẽ hiểu cách phân loại hình ảnh của mèo và chó với sự trợ giúp của việc học chuyển giao từ một mạng lưới được đào tạo trước. Trực giác đằng sau việc học truyền để phân loại hình ảnh là, nếu một mô hình được đào tạo trên một tập dữ liệu lớn và tổng quát, thì mô hình này có thể được sử dụng để phục vụ hiệu quả như một mô hình chung cho thế giới hình ảnh. Nó sẽ học được các bản đồ đối tượng, có nghĩa là người dùng sẽ không phải bắt đầu lại từ đầu bằng cách đào tạo một mô hình lớn trên một tập dữ liệu lớn.
Đọc thêm: Làm cách nào để mô hình tùy chỉnh được đào tạo trước?
Chúng tôi đang sử dụng Google Colaboratory để chạy đoạn mã dưới đây. Google Colab hoặc Colaboratory giúp chạy mã Python qua trình duyệt và không yêu cầu cấu hình cũng như quyền truy cập miễn phí vào GPU (Đơn vị xử lý đồ họa). Colaboratory đã được xây dựng trên Jupyter Notebook.
Ví dụ
print("Visualizing the data")
plt.figure(figsize=(8, 8))
plt.subplot(2, 1, 1)
plt.plot(acc, label='Training Accuracy')
plt.plot(val_acc, label='Validation Accuracy')
plt.ylim([0.8, 1])
plt.plot([initial_epochs-1,initial_epochs-1], plt.ylim(), label='Start Fine Tuning')
plt.legend(loc='lower right')
plt.title('Training and Validation Accuracy')
plt.subplot(2, 1, 2)
plt.plot(loss, label='Training Loss')
plt.plot(val_loss, label='Validation Loss')
plt.ylim([0, 1.0])
plt.plot([initial_epochs-1,initial_epochs-1], plt.ylim(), label='Start Fine Tuning')
plt.legend(loc='upper right')
plt.title('Training and Validation Loss')
plt.xlabel('epoch')
plt.show() Mã tín dụng −https://www.tensorflow.org/tutorials/images/transfer_learning
Đầu ra
Giải thích
-
Các đường cong học tập về độ chính xác / mất mát của quá trình đào tạo và xác thực được hiển thị trực quan.
-
Điều này được thực hiện sau khi quá trình tinh chỉnh được thực hiện.
-
Mất xác thực cao hơn mất đào tạo, có nghĩa là sẽ có một số trang bị quá mức.
-
Việc trang bị quá mức này cũng có thể là do tập dữ liệu đào tạo tương đối nhỏ hơn và giống với tập dữ liệu MobileNet V2 gốc.
-
Sau khi tinh chỉnh xong, mô hình đạt độ chính xác 98% trên bộ xác thực.