使用TensorFlow Hub迁移学习

下载分类器

使用layer_hub加载一个移动网络，并将其包装为keras层。任何TensorFlow 2兼容的图像分类器URLtfhub.dev将在这里工作。

classifier_url =“https://tfhub.dev/google/tf2-preview/mobilenet_v2/classification/2”image_shape < -c(224 l、224 l, 3 l)分类器< -layer_hub（处理=classifier_url,input_shape =image_shape)

在一张图像上运行

下载一张图片来尝试模型。

image_url < -“https://storage.googleapis.com/download.tensorflow.org/example_images/grace_hopper.jpg”img < -针：：销(image_urlname =“grace_hopper”）% > %tensorflow：：特遣部队＄io＄read_file（）% > %tensorflow：：特遣部队＄图像＄decode_image（dtype =特遣部队＄float32)% > %tensorflow：：特遣部队＄图像＄调整（大小=image_shape [-3.])

img% > %as.array（）% > %as.raster（）% > %情节（）

添加一个批处理维度，并将图像传递给模型。

结果< -img% > %特遣部队＄expand_dimsl (0)% > %分类器（）

结果是1001个logits元素向量，对图像的每个类的概率进行评级。

所以可以在argmax中找到最高类ID:

predicted_class < -特遣部队＄argmax(因此,轴=1 l)% > %as.integer（）predicted_class

# # 653年[1]

解码预测

我们有预测的类ID，获取ImageNet标签，并解码预测:

labels_url < -“https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt”imagenet_labels < -针：：销(labels_url“imagenet_labels”）% > %readline（）

img% > %as.array（）% > %as.raster（）% > %情节（）＃标题（粘贴（预测:“, imagenet_labels predicted_class+1)))

在一批图像上运行分类器

现在在图像批处理上运行分类器。

image_batch < -网状：：iter_next(image_data)预测< -分类器(特遣部队＄常数(image_batch [[1]],特遣部队＄float32))predicted_classnames < -imagenet_labels [as.integer(特遣部队＄argmax(预测,轴=1 l)+1 l)]

票面价值（mfcol =c（4，8)，3月=代表（1，4)，oma =代表（0.2，4）)image_batch [[1]]% > %purrr：：array_tree（1）% > %purrr：：set_names(predicted_classnames)% > %purrr：：地图(as.raster)% > %purrr：：我走（～｛情节(方式);标题(.y)})

看到LICENSE.txt图像属性文件。

结果远非完美，但考虑到这些不是训练模型的类(除了“雏菊”)，这是合理的。

下载无头模型

TensorFlow Hub还分发没有顶层分类层的模型。这些可以用来轻松地进行迁移学习。

任何Tensorflow 2兼容图像特征向量来自tfhub.dev的URL将在这里工作。

feature_extractor_url < -“https://tfhub.dev/google/tf2-preview/mobilenet_v2/feature_vector/2”

创建特征提取器。

feature_extractor_layer < -layer_hub（处理=feature_extractor_url,input_shape =image_shape)

它为每张图像返回一个1280长度的向量:

feature_batch < -feature_extractor_layer(特遣部队＄常数(image_batch [[1]],特遣部队＄float32))feature_batch

# #特遣部队。张量(##[[0.13427277 0.16856195 0.283491…0.00557477 0。0.8134863[0.00754159 0.49517953 0.18708485…]0.01621983 0。0.) # #(0。0.60116017 0。…0.0.05334444 0.00277256] ##… ## [0.6140208 1.3715637 0. ... 0.02907389 0.11318099 0.12228318] ## [1.2423071 1.0235544 0.170658 ... 0.51680547 0. 0. ] ## [0.5452022 0.2789958 0.16163555 ... 0.1076004 0.01267634 0. ]], shape=(32, 1280), dtype=float32)

冻结特征提取器层中的变量，以便训练只修改新的分类器层。

freeze_weights(feature_extractor_layer)

附加分类标头

现在，让我们使用特征提取层创建一个顺序模型，并添加一个新的分类层。

模型< -keras_model_sequential（列表（feature_extractor_layer,layer_dense（单位=image_data＄num_classes,激活=“softmax”））)总结(模型)

# #模型:“顺序 " ## ___________________________________________________________________________ ## 输出层(类型)的形状参数  # ## =========================================================================== ## keras_layer_1 (KerasLayer)(没有,1280)2257984  ## ___________________________________________________________________________ ## 密度(密度)6405(没有,5)  ## =========================================================================== ## 总参数:2264389 # #可训练的参数:6405 # # Non-trainable params: 2257984  ## ___________________________________________________________________________