Cómo TensorFlow funciona la clasificación de imágenes

El TensorFlow algoritmo de clasificación de imágenes toma una imagen como entrada y la clasifica en una de las etiquetas de clase de salida. Varias redes de aprendizaje profundo MobileNet, como Inception ResNet, EfficientNet son muy precisas para la clasificación de imágenes. También hay redes de aprendizaje profundo que se entrenan con conjuntos de datos de imágenes de gran tamaño, por ejemplo ImageNet, que tiene más de 11 millones de imágenes y casi 11 000 clases. Después de entrenar una red con ImageNet datos, puede ajustarla en un conjunto de datos con un enfoque particular para realizar tareas de clasificación más específicas. El TensorFlow algoritmo de clasificación de SageMaker imágenes de Amazon admite el aprendizaje por transferencia en muchos modelos previamente entrenados que están disponibles en el TensorFlow Hub.

Según el número de etiquetas de clase que figuren en tus datos de entrenamiento, se adjunta una capa de clasificación al modelo TensorFlow Hub previamente entrenado que elijas. La capa de clasificación está compuesta por una capa de eliminación, una capa densa y una capa totalmente conectada con regularización L2, y se inicia con ponderaciones aleatorias. El modelo tiene hiperparámetros para la tasa de eliminación, de la capa de eliminación, y el factor de regularización L2, para la capa densa. Luego, puede ajustar toda la red (lo que incluye el modelo prentrenado) o solo la capa de clasificación superior en los nuevos datos de entrenamiento. Con este método de aprendizaje por transferencia, es posible llevar a cabo el entrenamiento con conjuntos de datos más pequeños.