פראצלום למידת מכונה: סיווג תמונה
קל לארגן דפים בעזרת אוספים
אפשר לשמור ולסווג תוכן על סמך ההעדפות שלך.
שימוש במודלים שהוכשרו מראש
אימון רשת נוירונים מפותלים לביצוע משימות של סיווג תמונות
מצריך בדרך כלל כמות גדולה של נתוני הדרכה, והתהליך יכול להימשך זמן רב. אבל מה יקרה אם תוכלו למנף מודלים קיימים של תמונות שהוכשרו במערכי נתונים עצומים, כמו TensorFlow-Slim, ולהתאים אותם למשימות הסיווג שלכם?
אחת מהשיטות הנפוצות למינוף מודלים שהוכשרו מראש היא חילוץ תכונות:
אחזור ייצוגי ביניים שנוצרו על ידי המודל שהולמד מראש, ולאחר מכן הזנת הייצוגים האלה במודל חדש כקלט. לדוגמה, אם אתם מאמנים מודל של סיווג תמונות כדי להבחין בין סוגים שונים של ירקות, אתם יכולים להזין תמונות הדרכה של גזרים, סלרי וכו', למודל שהוכן מראש ואז לחלץ את התכונות משכבת ההמרה האחרונה. פעולה זו מתעדת את כל המידע שהמודל לומד על התמונות והעיצובים הכלליים, את הדחף המקורי, החלק המלא, כדי לשפר את הביצועים כשמשתמשים בחילוץ תכונות עם דגם שהוכן מראש, המהנדסים לעיתים קרובות משפרים את הפרמטרים של המשקל שחלים על התכונות שחולצו.
כדי לבצע ניתוח מעמיק יותר של חילוץ תכונות וכוונון מדויק בזמן השימוש במודלים שהוכשרו מראש, ראו את התרגיל הבא.
אלא אם צוין אחרת, התוכן של דף זה הוא ברישיון Creative Commons Attribution 4.0 ודוגמאות הקוד הן ברישיון Apache 2.0. לפרטים, ניתן לעיין במדיניות האתר Google Developers. Java הוא סימן מסחרי רשום של חברת Oracle ו/או של השותפים העצמאיים שלה.
עדכון אחרון: 2022-09-27 (שעון UTC).
[[["התוכן קל להבנה","easyToUnderstand","thumb-up"],["התוכן עזר לי לפתור בעיה","solvedMyProblem","thumb-up"],["סיבה אחרת","otherUp","thumb-up"]],[["חסרים לי מידע או פרטים","missingTheInformationINeed","thumb-down"],["התוכן מורכב מדי או עם יותר מדי שלבים","tooComplicatedTooManySteps","thumb-down"],["התוכן לא עדכני","outOfDate","thumb-down"],["בעיה בתרגום","translationIssue","thumb-down"],["בעיה בדוגמאות/בקוד","samplesCodeIssue","thumb-down"],["סיבה אחרת","otherDown","thumb-down"]],["עדכון אחרון: 2022-09-27 (שעון UTC)."],[[["Pretrained image models can be leveraged to perform image classification tasks, saving time and resources compared to training a new model from scratch."],["Feature extraction involves using the intermediate representations from a pretrained model as input for a new model, enabling the utilization of learned features like color, texture, and shape."],["Fine-tuning the weight parameters of extracted features can further enhance the performance of the new classification model built on top of the pretrained model."]]],[]]
