如何使用 Tensorflow 和重新训练的模型进行数据增强?
tensorflowserver side programmingprogramming更新于 2025/5/20 0:07:17
可以使用 Tensorflow 和重新训练的模型进行数据增强，方法是使用由两个实验层(即"RandomFlip")创建的"Sequential"模型和‘随机旋转’。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将了解如何借助预训练网络的迁移学习对猫和狗的图像进行分类。
图像分类迁移学习背后的直觉是，如果在大型通用数据集上训练模型，则该模型可有效地用作视觉世界的通用模型。它会学习特征图，这意味着用户不必从头开始在大型数据集上训练大型模型。
阅读更多: 如何预先训练定制模型?
我们使用 Google Colaboratory 运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，并且不需要任何配置，并且可以免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。
示例
print("Using data augmentation")
data_augmentation = tf.keras.Sequential([
tf.keras.layers.experimental.preprocessing.RandomFlip('horizontal'),
tf.keras.layers.experimental.preprocessing.RandomRotation(0.2),
])
代码来源 −https://www.tensorflow.org/tutorials/images/transfer_learning
输出
Using data augmentation
解释
当用户没有大型数据集时，可以引入样本多样性。
这需要是真实的，因为它有助于对训练图像进行转换，例如旋转和水平翻转。
这有助于将模型暴露给训练数据的不同方面。
它还有助于减少过度拟合。
