TensorFlow画像分類:BuildingClassifiersについて知っておく必要があるすべて

このTensorFlow画像分類の記事では、画像分類の詳細で包括的な知識を提供します。

画像分類は赤ちゃんでも数秒でできる作業ですが、機械にとっては最近の進歩まで大変な作業でした。 そして ディープラーニング 。自動運転車は、物体を検出して必要なアクションをリアルタイムで実行できます。これは、次の理由により可能です。 画像分類。この記事では、次のトピックについて説明します。



TensorFlowとは何ですか?

TensorFlow は、さまざまなタスクにわたるデータフロープログラミングのためのGoogleのオープンソース機械学習フレームワークです。グラフ内のノードは数学演算を表し、グラフのエッジはノード間で通信される多次元データ配列を表します。



TensorFlow-Image-Recognition
テンソルは単なる多次元配列であり、2次元テーブルをより高次元のデータに拡張したものです。 Tensorflowには、ディープラーニングに適した多くの機能があり、そのコアオープンソースライブラリは、MLモデルの開発とトレーニングに役立ちます。

javaとc ++の違いは何ですか

画像分類とは何ですか?

画像分類の目的は、デジタル画像のすべてのピクセルをいくつかのピクセルの1つに分類することです。 土地被覆 クラス または テーマ 。次に、この分類されたデータを使用して、 主題図 画像に存在する土地被覆の。



現在、分類中のアナリストとコンピューター間の相互作用に応じて、分類には2つのタイプがあります。



  • 監視あり&
  • 監督されない

それでは、時間を無駄にすることなく、TensorFlow画像分類に飛び込みましょう。簡単と難しいの2つの例があります。簡単なものから始めましょう。

TensorFlow画像分類:ファッションMNIST

ファッションMNISTデータセット

ここでは、10のカテゴリに70,000のグレースケール画像を含むFashionMNISTデータセットを使用します。トレーニングには60000を使用し、残りはテスト目的に10000を使用します。データをインポートしてロードするだけで、TensorFlowから直接FashionMNISTにアクセスできます。

  • 最初にライブラリをインポートしましょう
from __future__ import Absolute_import、division、print_function#TensorFlowおよびtf.keras import tensorflow as tf from tensorflow import keras#ヘルパーライブラリimport numpy as np import matplotlib.pyplot as plt
  • データをロードしましょう
fashion_mnist = keras.datasets.fashion_mnist(train_images、train_labels)、(test_images、test_labels)= fashion_mnist.load_data()
  • 次に、画像をクラスにマッピングします
class_names = ['Tシャツ/トップ'、 'ズボン'、 'プルオーバー'、 'ドレス'、 'コート'、 'サンダル'、 'シャツ'、 'スニーカー'、 'バッグ'、 'アンクルブーツ']
  • データの探索
train_images形状 
#各ラベルは0〜9です
train_labels 
test_images形状
  • 次に、データを前処理します。
plt() pltimshow((train_images[0]) pltカラーバー() pltグリッド((誤り plt公演() 
トレーニングセットの最初の画像を調べると、ピクセル値が0〜255の範囲にあることがわかります。

  • ニューラルネットワークにフィードするには、画像を0-1からスケーリングする必要があります
train_images = train_images / 255.0 test_images = test_images / 255.0
  • いくつかの画像を表示してみましょう。
plt((figsize=((1010)) ために   範囲((25): pltサブプロット((55+1 pltxticks([]) pltyticks([]) pltグリッド((誤り pltimshow((train_images[]、 cmap=pltCMバイナリ pltxlabel((class_names[train_labels[]]) plt公演()
 

  • レイヤーを設定する
モデル = ハード一連の([ ハードレイヤー平らにする((input_shape=((28 28))、 ハードレイヤー密集((128 アクティベーション=tfいいえrelu)、 ハードレイヤー密集((10 アクティベーション=tfいいえソフトマックス ])
  • モデルをコンパイルする
モデルコンパイル((オプティマイザ='アダム' 損失='sparse_categorical_crossentropy' メトリック=['正確さ'])
  • モデルトレーニング
モデルフィット((train_images train_labels エポック=10

  • 精度の評価
test_loss test_acc = モデル評価する((test_images test_labels 印刷((「テスト精度:」 test_acc

  • 予測をする
予測 = モデル予測する((test_images
予測[0]

予測は10個の数値の配列です。これらは、画像が10種類の衣料品のそれぞれに対応しているというモデルの「自信」を表しています。どのラベルが最も高い信頼値を持っているかを確認できます。

Javaで2進数を10進数に変換する方法
例えばargmax((予測[0])#Modelはそれがアンクルブーツであると最も確信しています。それが正しいかどうか見てみましょう

出力:9

test_labels[0]

出力:9

  • それでは、10チャンネルのフルセットを見てみましょう。
def plot_image(( 予測配列 true_label img): 予測配列 true_label img = 予測配列[]、 true_label[]、 img[] pltグリッド((誤り pltxticks([]) pltyticks([]) pltimshow((img cmap=pltCMバイナリ 予測ラベル = 例えばargmax((予測配列 もし 予測ラベル == true_label  = '緑' そうしないと  = 'ネット' pltxlabel(('{} {:2.0f}%({}) 'フォーマット((class_names[予測ラベル]、 100*例えば最大((予測配列)、 class_names[true_label])、 = def plot_value_array(( 予測配列 true_label): 予測配列 true_label = 予測配列[]、 true_label[] pltグリッド((誤り pltxticks([]) pltyticks([]) thisplot = pltバー((範囲((10)、 予測配列 ='#777777' pltylim([0 1]) 予測ラベル = 例えばargmax((予測配列 thisplot[予測ラベル]set_color(('ネット' thisplot[true_label]set_color(('緑'
  • 最初に0番目と10番目の画像を見てみましょう
 = 0 plt((figsize=((63)) pltサブプロット((121 plot_image(( 予測 test_labels test_images pltサブプロット((122 plot_value_array(( 予測 test_labels plt公演()

 = 10 plt((figsize=((63)) pltサブプロット((121 plot_image(( 予測 test_labels test_images pltサブプロット((122 plot_value_array(( 予測 test_labels plt公演()

  • それでは、いくつかの画像とその予測をプロットしてみましょう。正しいものは緑で、間違ったものは赤です。
num_rows = 5 num_cols = 3 num_images = num_rows*num_cols plt((figsize=((2*2*num_cols 2*num_rows)) ために   範囲((num_images): pltサブプロット((num_rows 2*num_cols 2*+1 plot_image(( 予測 test_labels test_images pltサブプロット((num_rows 2*num_cols 2*+2 plot_value_array(( 予測 test_labels plt公演()

  • 最後に、トレーニング済みモデルを使用して、単一の画像に関する予測を行います。
#テストデータセットから画像を取得します img = test_images[0] 印刷((img形状
#画像を唯一のメンバーであるバッチに追加します。 img = ((例えばexpand_dims((img0)) 印刷((img形状
予測シングル = モデル予測する((img 印刷((予測シングル

plot_value_array((0 予測シングル test_labels pltxticks((範囲((10)、 class_names 回転=フォーファイブ plt公演()

  • あなたがバッチで私たちの唯一の画像の予測を見ることができるように。
予測結果 = 例えばargmax((予測シングル[0])

出力:9

CIFAR-10:CNN

CIFAR-10データセットは、飛行機、犬、猫、その他のオブジェクトで構成されています。画像を前処理してから、すべてのサンプルで畳み込みニューラルネットワークをトレーニングします。画像は正規化する必要があり、ラベルはワンホットエンコードする必要があります。このユースケースは、TensorFlow画像分類に関する疑問を確実に解消します。

  • データのダウンロード
から urllib.request インポート urlretrieve から os.path インポート isfile すすです から tqdm インポート tqdm インポート tarfile cifar10_dataset_folder_path = 'cifar-10-batches-py' クラス DownloadProgress((tqdm): last_block = 0 def ((自己 block_num=1 block_size=1 全体の大きさ=無し): 自己合計 = 全体の大きさ 自己更新(((block_num - 自己last_block * block_size 自己last_block = block_num '' ' データ(zip)ファイルがすでにダウンロードされているかどうかを確認します そうでない場合は、「https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz」からダウンロードして、cifar-10-python.tar.gzとして保存します。 '' ' もし ない isfile(('cifar-10-python.tar.gz'):  DownloadProgress((単位=「B」 unit_scale=本当 大臣=1 説明=「CIFAR-10データセット」 なので pbar urlretrieve(( 「https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz」 'cifar-10-python.tar.gz' pbar もし ない すすです((cifar10_dataset_folder_path):  tarfile開いた(('cifar-10-python.tar.gz' なので タール タールextractall() タール閉じる()
  • 必要なライブラリのインポート
インポート 漬物 インポート numpy なので 例えば インポート matplotlib.pyplot なので plt
  • データを理解する

データの元のバッチは、numpy配列で表された10000×3072テンソルです。ここで、10000はサンプルデータの数です。画像はカラーで、サイズは32×32です。フィードは、(幅x高さx num_channel)または(num_channelx幅x高さ)のいずれかの形式で実行できます。ラベルを定義しましょう。

def load_label_names(): 戻る ['飛行機' '自動車' '鳥' 'ネコ' '鹿' '犬' 'カエル' 'うま' '輸送する' 'トラック']
  • データの再形成

2段階でデータを再形成します

まず、行ベクトル(3072)を3つに分割します。各ピースは各チャネルに対応します。これにより、テンソルの次元は(3 x 1024)になります。次に、前のステップで得られたテンソルを32で除算します。ここで32は、画像の幅を意味します。これにより、(3x32x32)になります。

次に、データを(num_channel、width、height)から(width、height、num_channel)に転置する必要があります。そのために、転置関数を使用します。

def load_cfar10_batch((cifar10_dataset_folder_path batch_id):  開いた((cifar10_dataset_folder_path + '/ data_batch_' + p((batch_id)、 モード='rb' なので ファイル #エンコーディングタイプが「latin1」であることに注意してください バッチ = 漬物負荷((ファイル エンコーディング='latin1' 特徴 = バッチ['データ']形を変える(((len((バッチ['データ'])、 3 32 32))転置((0 2 3 1 ラベル = バッチ[「ラベル」] 戻る 特徴 ラベル
  • データの調査
def display_stats((cifar10_dataset_folder_path batch_id sample_id): 特徴 ラベル = load_cfar10_batch((cifar10_dataset_folder_path batch_id もし ない ((0 <= sample_id < len((特徴)):: 印刷(('{}バッチのサンプル{}{}範囲外です。」フォーマット((len((特徴)、 batch_id sample_id)) 戻る 無し 印刷((' バッチの統計#{}: 'フォーマット((batch_id)) 印刷(('サンプル数:{} 'フォーマット((len((特徴)))) label_names = load_label_names() label_counts = 辞書((zip((*例えばユニーク((ラベル return_counts=本当)))) ために キー   label_countsアイテム(): 印刷(('のラベル数[{}]({}):{}'フォーマット((キー label_names[キー]アッパー()、 )) sample_image = 特徴[sample_id] sample_label = ラベル[sample_id] 印刷((' 画像の例{}: 'フォーマット((sample_id)) 印刷(('画像-最小値:{}最大値:{}'フォーマット((sample_image()、 sample_image最大())) 印刷(('画像-形状:{}'フォーマット((sample_image形状)) 印刷(('ラベル-ラベルID:{}名前:{}'フォーマット((sample_label label_names[sample_label])) pltimshow((sample_image
matplotlib 列をなして 設定 InlineBackendfigure_format = '網膜' インポート numpy なので 例えば #データセットを探索する batch_id = 3 sample_id = 7000 display_stats((cifar10_dataset_folder_path batch_id sample_id

  • 前処理関数の実装

最小-最大正規化を使用してデータを正規化します。これにより、すべてのx値が0から1の範囲になります。
y =(x-min)/(max-min)

def ノーマライズ((バツ): '' ' 引数 --x:numpy配列に画像データを入力します[32、32、3] 戻る -正規化されたx '' ' min_val = 例えば((バツ max_val = 例えば最大((バツ バツ = ((バツ-min_val / ((max_val-min_val 戻る バツ
  • ワンホットエンコード
def one_hot_encode((バツ): '' ' 引数 --x:ラベルのリスト 戻る -1つのホットエンコーディングマトリックス(ラベルの数、クラスの数) '' ' エンコードされた = 例えばゼロ(((len((バツ)、 10)) ために idx 時間  列挙する((バツ): エンコードされた[idx] [時間] = 1 戻る エンコードされた
  • データの前処理と保存
def _preprocess_and_save((ノーマライズ one_hot_encode 特徴 ラベル ファイル名): 特徴 = ノーマライズ((特徴 ラベル = one_hot_encode((ラベル 漬物投げ捨てる(((特徴 ラベル)、 開いた((ファイル名 'wb')) def preprocess_and_save_data((cifar10_dataset_folder_path ノーマライズ one_hot_encode): n_batches = 5 valid_features = [] valid_labels = [] ために batch_i  範囲((1 n_batches + 1): 特徴 ラベル = load_cfar10_batch((cifar10_dataset_folder_path batch_i #バッチのデータセット全体で検証データとしてのポイントとなるインデックスを見つける(10%) index_of_validation = int((len((特徴 * 0.1 #バッチのデータセット全体の90%を前処理します #-機能を正規化する #-ラベルをone_hot_encodeする #-'preprocess_batch_' + batch_numberという名前の新しいファイルに保存します #-各バッチの各ファイル _preprocess_and_save((ノーマライズ one_hot_encode 特徴[:-index_of_validation]、 ラベル[:-index_of_validation]、 'preprocess_batch_' + p((batch_i + '.p' #トレーニングデータセットとは異なり、検証データセットはすべてのバッチデータセットを通じて追加されます #-バッチのwholdデータセットの10%を取得します #-それらをのリストに追加します #-valid_features #-valid_labels valid_features拡張する((特徴[-index_of_validation:]) valid_labels拡張する((ラベル[-index_of_validation:]) #スタックされたすべての検証データセットを前処理する _preprocess_and_save((ノーマライズ one_hot_encode 例えばアレイ((valid_features)、 例えばアレイ((valid_labels)、 'preprocess_validation.p' #テストデータセットをロードする  開いた((cifar10_dataset_folder_path + '/ test_batch' モード='rb' なので ファイル バッチ = 漬物負荷((ファイル エンコーディング='latin1' #テストデータを前処理する test_features = バッチ['データ']形を変える(((len((バッチ['データ'])、 3 32 32))転置((0 2 3 1 test_labels = バッチ[「ラベル」] #すべてのテストデータを前処理して保存する _preprocess_and_save((ノーマライズ one_hot_encode 例えばアレイ((test_features)、 例えばアレイ((test_labels)、 'preprocess_training.p'
preprocess_and_save_data((cifar10_dataset_folder_path ノーマライズ one_hot_encode
  • チェックポイント
インポート 漬物 valid_features valid_labels = 漬物負荷((開いた(('preprocess_validation.p' モード='rb'))
  • ネットワークの構築

モデル全体は合計14層で構成されています。

インポート tensorflow なので tf def conv_net((バツ keep_prob): conv1_filter = tf変数((tf切断正規((形状=[3 3 3 64]、 平均=0 stddev=0.08)) conv2_filter = tf変数((tf切断正規((形状=[3 3 64 128]、 平均=0 stddev=0.08)) conv3_filter = tf変数((tf切断正規((形状=[5 5 128 256]、 平均=0 stddev=0.08)) conv4_filter = tf変数((tf切断正規((形状=[5 5 256 512]、 平均=0 stddev=0.08)) #1、2 conv1 = tfいいえconv2d((バツ conv1_filter 歩幅=[1111]、 パディング='同じ' conv1 = tfいいえrelu((conv1 conv1_pool = tfいいえmax_pool((conv1 ksize=[1221]、 歩幅=[1221]、 パディング='同じ' conv1_bn = tfレイヤーbatch_normalization((conv1_pool #3。4 conv2 = tfいいえconv2d((conv1_bn conv2_filter 歩幅=[1111]、 パディング='同じ' conv2 = tfいいえrelu((conv2 conv2_pool = tfいいえmax_pool((conv2 ksize=[1221]、 歩幅=[1221]、 パディング='同じ' conv2_bn = tfレイヤーbatch_normalization((conv2_pool #5、6 conv3 = tfいいえconv2d((conv2_bn conv3_filter 歩幅=[1111]、 パディング='同じ' conv3 = tfいいえrelu((conv3 conv3_pool = tfいいえmax_pool((conv3 ksize=[1221]、 歩幅=[1221]、 パディング='同じ' conv3_bn = tfレイヤーbatch_normalization((conv3_pool #7、8 conv4 = tfいいえconv2d((conv3_bn conv4_filter 歩幅=[1111]、 パディング='同じ' conv4 = tfいいえrelu((conv4 conv4_pool = tfいいえmax_pool((conv4 ksize=[1221]、 歩幅=[1221]、 パディング='同じ' conv4_bn = tfレイヤーbatch_normalization((conv4_pool #9 平らな = tf寄稿レイヤー平らにする((conv4_bn #10 full1 = tf寄稿レイヤーfull_connected((入力=平らな num_outputs=128 Activation_fn=tfいいえrelu full1 = tfいいえ脱落((full1 keep_prob full1 = tfレイヤーbatch_normalization((full1 # 十一 full2 = tf寄稿レイヤーfull_connected((入力=full1 num_outputs=256 Activation_fn=tfいいえrelu full2 = tfいいえ脱落((full2 keep_prob full2 = tfレイヤーbatch_normalization((full2 #12 full3 = tf寄稿レイヤーfull_connected((入力=full2 num_outputs=512 Activation_fn=tfいいえrelu full3 = tfいいえ脱落((full3 keep_prob full3 = tfレイヤーbatch_normalization((full3 #13 full4 = tf寄稿レイヤーfull_connected((入力=full3 num_outputs=1024 Activation_fn=tfいいえrelu full4 = tfいいえ脱落((full4 keep_prob full4 = tfレイヤーbatch_normalization((full4 #14 でる = tf寄稿レイヤーfull_connected((入力=full3 num_outputs=10 Activation_fn=無し 戻る でる
  • ハイパーパラメータ
エポック = 10 バッチサイズ = 128 keep_probability = 0.7 Learning_rate = 0.001
ロジット = conv_net((バツ keep_prob モデル = tf身元((ロジット 名前=「ロジット」 #ロジットTensorに名前を付けて、トレーニング後にディスクからロードできるようにします #損失とオプティマイザー 費用 = tfreduce_mean((tfいいえsoftmax_cross_entropy_with_logits((ロジット=ロジット ラベル=Y)) オプティマイザ = tf列車AdamOptimizer((Learning_rate=Learning_rate最小化((費用 # 正確さ correct_pred = tf等しい((tfargmax((ロジット 1)、 tfargmax((Y 1)) 正確さ = tfreduce_mean((tfキャスト((correct_pred tffloat32)、 名前='正確さ'
  • ニューラルネットワークをトレーニングする
#単一の最適化 
def
train_neural_network((セッション オプティマイザ keep_probability feature_batch label_batch): セッション実行((オプティマイザ feed_dict={{ バツ feature_batch Y label_batch keep_prob keep_probability })
#Showing Stats def print_stats((セッション feature_batch label_batch 費用 正確さ): 損失 = sess実行((費用 feed_dict={{ バツ feature_batch Y label_batch keep_prob 1。 }) valid_acc = sess実行((正確さ feed_dict={{ バツ valid_features Y valid_labels keep_prob 1。 }) 印刷(('損失:{:> 10.4f}検証精度:{:.6f}'フォーマット((損失 valid_acc))
  • モデルの完全なトレーニングと保存
def batch_features_labels((特徴 ラベル バッチサイズ): '' ' フィーチャとラベルをバッチに分割する '' ' ために 開始  範囲((0 len((特徴)、 バッチサイズ): 終わり = ((開始 + バッチサイズ len((特徴)) 産出 特徴[開始終わり]、 ラベル[開始終わり] def load_preprocess_training_batch((batch_id バッチサイズ): '' ' 前処理されたトレーニングデータをロードし、それらをバッチ以下で返します '' ' ファイル名 = 'preprocess_batch_' + p((batch_id + '.p' 特徴 ラベル = 漬物負荷((開いた((ファイル名 モード='rb')) #サイズ以下のバッチでトレーニングデータを返す 戻る batch_features_labels((特徴 ラベル バッチサイズ
#モデルとパスの保存 
save_model_path
= './image_classification' 印刷(('トレーニング...' tfセッション() なので sess #変数の初期化 sess実行((tfglobal_variables_initializer()) #トレーニングサイクル ために 時代 範囲((エポック): #すべてのバッチをループする n_batches = 5 ために batch_i 範囲((1 n_batches + 1): ために batch_features batch_labels load_preprocess_training_batch((batch_i バッチサイズ): train_neural_network((sess オプティマイザ keep_probability batch_features batch_labels 印刷(('時代{:> 2}、CIFAR-10バッチ{}: 'フォーマット((時代 + 1 batch_i)、 終わり='' print_stats((sess batch_features batch_labels 費用 正確さ #モデルを保存 セーバー = tf列車セーバー() save_path = セーバーセーブ((sess save_model_path

これで、Tensorflow画像分類の重要な部分が完了しました。それでは、モデルをテストします。

  • モデルのテスト
インポート 漬物 インポート numpy なので 例えば インポート matplotlib.pyplot なので plt から sklearn.preprocessing インポート LabelBinarizer def batch_features_labels((特徴 ラベル バッチサイズ): '' ' フィーチャとラベルをバッチに分割する '' ' ために 開始  範囲((0 len((特徴)、 バッチサイズ): 終わり = ((開始 + バッチサイズ len((特徴)) 産出 特徴[開始終わり]、 ラベル[開始終わり] def display_image_predictions((特徴 ラベル 予測 top_n_predictions): n_classes = 10 label_names = load_label_names() label_binarizer = LabelBinarizer() label_binarizerフィット((範囲((n_classes)) label_ids = label_binarizerreverse_transform((例えばアレイ((ラベル))   = pltサブプロット((nrows=top_n_predictions ncols=2 figsize=((20 10)) tight_layout() suptitle((「ソフトマックス予測」 フォントサイズ=20 Y=1.1 n_predictions = 3 マージン = 0.05 ind = 例えばアレンジ((n_predictions  = ((1。 - 2.2。 * マージン / n_predictions ために image_i ((特徴 label_id pred_indicies pred_values  列挙する((zip((特徴 label_ids 予測インデックス 予測)):: もし ((image_i < top_n_predictions): pred_names = [label_names[pred_i] ために pred_i  pred_indicies] 正しい名前 = label_names[label_id] [image_i] [0]imshow(((特徴*255astype((例えばint32 コピー=誤り)) [image_i] [0]set_title((正しい名前 [image_i] [0]set_axis_off() [image_i] [1]バル((ind + マージン pred_values[:3]、  [image_i] [1]set_yticks((ind + マージン [image_i] [1]set_yticklabels((pred_names[::-1]) [image_i] [1]set_xticks([0 0.5 1.0])
matplotlib 列をなして 設定 InlineBackendfigure_format = '網膜' インポート tensorflow なので tf インポート 漬物 インポート ランダム save_model_path = './image_classification' バッチサイズ = 64 n_samples = 10 top_n_predictions = 5 def test_model(): test_features test_labels = 漬物負荷((開いた(('preprocess_training.p' モード='rb')) ロードされたグラフ = tfグラフ()  tfセッション((グラフ=ロードされたグラフ なので sess #モデルをロード ローダ = tf列車import_meta_graph((save_model_path + '.meta' ローダ戻す((sess save_model_path #ロードされたモデルからテンソルを取得 ロードされた_x = ロードされたグラフget_tensor_by_name(('input_x:0' ロードされた_y = ロードされたグラフget_tensor_by_name(('output_y:0' ロードされたキーププロブ = ロードされたグラフget_tensor_by_name(('keep_prob:0' ロードされたロジット = ロードされたグラフget_tensor_by_name(('logits:0' ロードされた_acc = ロードされたグラフget_tensor_by_name(('精度:0' #メモリ制限の精度をバッチで取得 test_batch_acc_total = 0 test_batch_count = 0 ために train_feature_batch train_label_batch  batch_features_labels((test_features test_labels バッチサイズ): test_batch_acc_total + = sess実行(( ロードされた_acc feed_dict={{ロードされた_x train_feature_batch ロードされた_y train_label_batch ロードされたキーププロブ 1.0}) test_batch_count + = 1 印刷(('テストの精度:{} 'フォーマット((test_batch_acc_total/test_batch_count)) #ランダムサンプルを印刷する random_test_features random_test_labels = タプル((zip((*ランダムサンプル((リスト((zip((test_features test_labels))、 n_samples)))) random_test_predictions = sess実行(( tfいいえtop_k((tfいいえソフトマックス((ロードされたロジット)、 top_n_predictions)、 feed_dict={{ロードされた_x random_test_features ロードされた_y random_test_labels ロードされたキーププロブ 1.0}) display_image_predictions((random_test_features random_test_labels random_test_predictions top_n_predictions test_model()

出力: テスト精度:0.5882762738853503

c ++は番号を昇順でソートします

さて、より多くのエポックのためにニューラルネットワークをトレーニングしたり、活性化関数を変更したりすると、より正確な結果が得られる可能性があります。

これで、このTensorFlow画像分類の記事は終わりです。これで、同じものを使用してあらゆる種類の画像を分類できるようになり、画像分類の初心者ではないと確信しています。

エドゥレカの Python認定トレーニングでは、業界の要件と要求に応じて業界の専門家によってキュレーションされます。 SoftMax関数、オートエンコーダニューラルネットワーク、制限付きボルツマンマシン(RBM)、Keras、TFLearnなどの概念を習得します。このコースは、リアルタイムのケーススタディを使用して業界の専門家によって特別にキュレーションされています。