keras

摘要： 本文通过使用Keras及一个预训练模型的实例，教你如何通过迁移学习快速简便地解决图像分类问题。 摘要：如何快速简便地解决图像分类问题呢？本文通过使用Keras及一个预训练模型的实例，教你如何通过迁移学习来解决这个问题。 深度学习 正在迅速成为人工智能应用开发的主要工具。在计算机视觉、自然语言处理和语音识别等领域都已有成功的案例。 深度学习擅长解决的一个问题是 图像分类 。图像分类的目标是根据一组合理的类别对指定的图片进行分类。从深度学习的角度来看，图像分类问题可以通过 迁移学习 的方法来解决。 本文介绍了如何通过迁移学习来解决图像分类的问题。 本文中所提出的实现方式是基于Python语言的Keras。 本文结构: 1）迁移学习 2）卷积神经网络 3）预训练模型的复用 4）迁移学习过程 5）深度卷积神经网络上的分类器 6）示例 7）总结 1、迁移学习 迁移学习在计算机视觉领域中是一种很流行的方法，因为它可以 建立精确的模型，耗时更短 。利用迁移学习，不是从零开始学习，而是从之前解决各种问题时学到的模式开始。这样，你就可以利用以前的学习成果(例如VGG、 Inception、MobileNet)，避免从零开始。我们把它看作是站在巨人的肩膀上。 在计算机视觉领域中，迁移学习通常是通过使用 预训练模型 来表示的。预训练模型是在大型基准数据集上训练的模型，用于解决相似的问题

　　python和R都是当下比较流行的编程语言，拥有强大的生态系统和社区，受到大家的追捧和喜欢，那么在数据科学方面，python和R有何区别?我们来看看吧。 　　大多数深度学习研究都使用python完成的，因此Keras和PyTorch之类的工具具有python优先的开发，你可以在Keras的深度学习简介中了解这些主题。 　　python和R之上具有优势的另一个领域就是将模型部署到其他软件中，python是一种通用的编程语言，因此，如果您在使用python编写应用程序，包含基于python的模型的过程是无缝的。我们在python设计机器学习工作流中介绍了部署模型和构建python的数据工程管道。 　　python通常被认为是一种通用语言，具有易于理解的语法。 　　在R中进行大流的统计建模研究，有多种模型可供选择。R的另一个大窍门是使用Shiny轻松创建仪表板，对于没有太多技术经验的人来说，可以创建发布仪表板并进行分享。 　　R的功能在开发时考虑了统计学家的问题，从而赋予特定领域的优势，比如说数据可视化功能。 　　python最初是用于软件开发的编程语言，对于具有计算机科学或者软件开发的人员来说可以更容易使用，而且从其他语言过度到python要比R更加简单。 来源： oschina 链接： https://my.oschina.net/u/4408222/blog/4839636