tensorflow - 图像分类中“创建特征向量然后训练”与“直接训练”有什么区别
问题描述
我正在研究图像分类。而且我不明白通过可用模型https://tfhub.dev/google/imagenet/resnet_v1_101/feature_vector/1创建特征向量之间的区别。然后再次训练。与该模型的直接训练相比
解决方案
这个概念与迁移学习有关,您可以通过已经训练和可用的模型创建有时称为瓶颈特征的特征,然后您可以在它们之上创建一个新模型并训练以微调您的问题。
在另一种情况下,您正在从头开始训练您的网络以完全解决您的任务。
推荐阅读
- python - bytes.decode() with errors='replace' 有什么作用?
- vba - 在 MS Access 表单上显示复选框的超链接手形光标
- r - 如何根据名称对列表的列表进行子集化
- javascript - D3 代码在 div 中创建 2 个 SVG 元素
- python - 使用 keras 或 tensorflow 训练具有一个输出的 cnn,具有两个单独的数据集,每个数据集对应的损失函数
- java - '警告 BG8102:X 类具有未知的基本类型 Y' 警告,同时在 xamarin 中绑定 java 代码
- azure - Azure Keyvault 可供各种订阅中的服务主体访问
- javascript - HTML 按钮仅适用于网页重新/加载
- c# - 如何制作可以返回结果或未经授权的 ASP.NET Web API 控制器方法?
- algorithm - 这个 BFS 算法的时间复杂度是多少?