做网站建设的注意事项青岛代理记账多少钱

当前位置： 首页 > news >正文

做网站建设的注意事项,青岛代理记账多少钱,网站合同建设模板,餐饮招商加盟网站建设费用要访问TensorFlow Hub#xff0c;请单击此处 — https://www.tensorflow.org/hub 一、说明 TensorFlow Hub是一个库#xff0c;用于在TensorFlow中发布#xff0c;发现和使用可重用模型。它提供了一种使用预训练模型执行各种任务#xff08;如图像分类、文本分析等#xf… 要访问TensorFlow Hub请单击此处 — https://www.tensorflow.org/hub 一、说明         TensorFlow Hub是一个库用于在TensorFlow中发布发现和使用可重用模型。它提供了一种使用预训练模型执行各种任务如图像分类、文本分析等的简单方法。         TensorFlow Hub提供了广泛的预训练模型由TensorFlow和更广泛的机器学习社区的研究人员和工程师开发。         以下是TensorFlow Hub中可用的模型类型的一些示例 图像分类模型这些模型在标记图像的大型数据集上进行训练可以将图像分类为各种类别。TensorFlow Hub中一些流行的图像分类模型包括InceptionMobileNetResNet和VGG。对象检测模型这些模型可以检测和定位图像中的对象。TensorFlow Hub中一些流行的对象检测模型包括Faster R-CNN和YOLO。自然语言处理 NLP 模型这些模型可以分析文本并执行情绪分析、文本分类和语言翻译等任务。TensorFlow Hub中一些流行的NLP模型包括BERT和ALBERT。语音识别模型这些模型可以将语音转录为文本。TensorFlow Hub 中一些流行的语音识别模型包括 wav2vec2、spice 和 yamnet。生成模型这些模型可以根据输入数据生成新内容例如图像或文本。TensorFlow Hub中一些流行的生成模型包括Progressive GAN和BigGAN。迁移学习模型这些模型在大型数据集上预先训练可以使用较小的数据集针对特定任务进行微调。TensorFlow Hub 中的迁移学习模型可用于各种任务例如图像分类、对象检测、分割和文本分析。         TensorFlow Hub提供了一种方便的方式来访问这些预先训练的模型并将其用于各种机器学习任务。这些模型有多种格式例如 TensorFlow SavedModel、Keras 模型和 TensorFlow.js 模型可以轻松将它们集成到您的机器学习管道中。 二、安装和使用 2.1 安装 TensorFlow 和 TensorFlow Hub         在使用 TensorFlow Hub 之前您需要同时安装 TensorFlow 和 TensorFlow Hub。您可以在命令提示符或终端中使用 pip 安装它们 pip install tensorflow pip install tensorflow-hub         这将安装最新版本的TensorFlow和TensorFlow Hub。 三、从 TensorFlow Hub 加载预训练模型         您可以在TensorFlow Hub网站https://tfhub.dev/上浏览可用的模型。         要加载预先训练的模型您首先需要从TensorFlow Hub网站获取其URL。例如如果要使用在 ImageNet 2K 数据集上预先训练的EfficientNet_v1_s模型进行图像分类则可以使用以下 URL module_url https://tfhub.dev/google/imagenet/efficientnet_v2_imagenet1k_s/classification/2         接下来您可以使用类和 URL 创建 Keras 层hub.KerasLayer import tensorflow as tf import tensorflow_hub as hubfeature_extractor hub.KerasLayer(module_url, input_shape(384,384,3))         在此示例中我们将创建一个 Keras 层用于从图像中提取特征。 input_shape 参数指定输入图像的形状在本例中为 384x384 像素具有 3 个颜色通道 (RGB)。 3.1 使用预先训练的模型执行任务          加载预训练模型后可以使用它来执行特定任务。例如如果您随机拍摄老虎的图像则可以执行以下操作 import numpy as np import PIL.Image as Image import matplotlib.pyplot as pltimage Image.open(image.jpg).resize((384,384)) plt.imshow(image) plt.show() image_array np.array(image) / 255.0 image_batch np.expand_dims(image_array, axis0)features feature_extractor(image_batch) 输出         在此示例中我们从文件加载图像将其大小调整为 384x384 像素显示图像将其转换为 NumPy 数组并将其规范化为 0 到 1 之间的值。然后我们向数组添加一个额外的维度来创建一批图像因为预训练的模型需要一批图像作为输入。最后我们使用预先训练的EfficientNet_v2_s模型对图像进行分类。 labels_file https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt#download labels and creates a maps downloaded_file tf.keras.utils.get_file(labels.txt, originlabels_file)classes []with open(downloaded_file) as f:labels f.readlines()classes [l.strip() for l in labels]         此代码段使用 TensorFlow 库从 Google Cloud Storage 存储桶下载包含 ImageNet 数据集标签的文本文件。文本文件的 URL 存储在 labels_file 变量中。tf.keras.utils.get_file() 然后使用该函数从 URL 指定的 labels_file 下载文件并将其以名称“labels.txt”保存在本地。 get_file() 函数在本地缓存文件因此如果再次请求相同的 URL将使用本地缓存的文件而不是再次下载文件。         下载文件后代码将使用 open() 函数打开它并读取其内容。 readlines() 函数返回一个字符串列表每个字符串代表文件中的一行。然后代码使用 strip() 函数删除每行中的所有前导或尾随空格并将清理后的标签存储在名为“classes”的列表中。         生成的类列表包含 ImageNet 数据集的 1001 个类1000 个主类 1 个“背景”类的标签。该列表可用于将神经网络的输出映射到相应的标签以进行显示或进一步分析。     top_5 tf.argsort(features, axis-1, directionDESCENDING)[0][:5].numpy()features_array np.array(features) features_flatten features_array.flatten()for i, item in enumerate(top_5):class_index item 1line classes[class_index].upper()prob round(features_flatten[item]*10,2)print(fPredicted class : {line} : with probability : {prob}%) 输出 Predicted class : TIGER : with probability : 90.79% Predicted class : TIGER CAT : with probability : 77.36% Predicted class : JAGUAR : with probability : 37.36% Predicted class : LYNX : with probability : 29.64% Predicted class : LEOPARD : with probability : 25.47%         此代码片段使用 TensorFlow 库来预测输入图像的前 5 个最有可能的 ImageNet 类。         变量特征包含输入图像的神经网络模型的输出。 tf.argsort() 函数用于按降序对输出值进行排序并返回排序值的索引。通过使用 [0][:5] 对结果张量进行切片来选择前 5 个索引然后使用 .numpy() 方法将其转换为 NumPy 数组。                features_array 变量是通过将特征张量转换为 NumPy 数组来创建的。 features_flatten 变量是通过将 features_array 展平为一维数组而创建的。         然后使用 for 循环迭代前 5 个索引。对于每个索引通过向索引添加 1因为索引是从 0 开始的但类标签是从 1 开始的并将标签转换为大写从类列表中检索相应的 ImageNet 类标签。         最后使用 print() 函数将预测的类标签及其相应的概率打印到控制台。输出将显示前 5 个最有可能的 ImageNet 类别中每个类别的预测类别及其对应的概率。     3.2 微调预训练模型可选         如果预训练的模型不能完全满足您的要求您可以通过添加新层或在新数据集上重新训练它来对其进行微调。下面是如何微调新分类任务的EfficientNet_v2_s模型的示例 import tensorflow as tf import tensorflow_hub as hub from tensorflow.keras import layersmodel_url https://tfhub.dev/google/imagenet/efficientnet_v2_imagenet1k_s/feature_vector/2 model hub.KerasLayer(model_url, trainableTrue)num_classes 10 #just an examplefine_tuning_model tf.keras.Sequential([model,layers.Dense(num_classes, activationsoftmax) ])fine_tuning_model.compile(optimizertf.keras.optimizers.Adam(),losstf.keras.losses.CategoricalCrossentropy(from_logitsTrue),metrics[tf.keras.metrics.CategoricalAccuracy()] )epochs 10 batch_size 32fine_tuning_model.fit(train_data,epochsepochs,batch_sizebatch_size,validation_dataval_data )test_loss, test_acc fine_tuning_model.evaluate(test_data) print(Test accuracy:, test_acc)         在此示例中我们通过添加新的密集层进行分类来创建新模型。然后我们使用优化器、损失函数和指标编译模型。最后我们在指定数量的 epoch 的新数据集上训练模型。 四、结论         这些是安装和使用 TensorFlow Hub 的基本步骤。TensorFlow Hub 提供了更多功能例如缓存、版本控制等因此请务必查看文档以获取更多信息。 资料引用 A.瓦斯瓦尼N.沙泽尔N.帕尔马J.乌什科雷特L.琼斯A.戈麦斯{.凯撒  阿琼·萨卡尔