图像# 图像分类 设置 下载并探索数据集 使用 Keras 效用函数加载数据 创建数据集 呈现数据 配置数据集以提高性能 标准化数据 基本 Keras 模型 创建模型 编译模型 模型摘要 训练模型 呈现训练结果 过拟合 数据增强 随机失活 编译并训练模型 呈现训练结果 根据新数据进行预测 实用 TensorFlow Lite 将 Keras 序贯模型转换为 TensorFlow Lite 模型 运行 TensorFlow Lite 模型 后续步骤 卷积神经网络（Convolutional Neural Network, CNN） 导入 TensorFlow 下载并准备 CIFAR10 数据集 验证数据 构造卷积神经网络模型 增加 Dense 层 编译并训练模型 评估模型 数据增强 概述 设置 下载数据集 使用 Keras 预处理层 调整大小和重新缩放 数据增强 使用 Keras 预处理层的两个选项 选项 1：使预处理层成为模型的一部分 选项 2：将预处理层应用于数据集 将预处理层应用于数据集 训练模型 自定义数据增强 使用 tf.image 数据增强 翻转图像 对图像进行灰度处理 调整图像饱和度 更改图像亮度 对图像进行中心裁剪 旋转图像 随机变换 随机更改图像亮度 随机更改图像对比度 随机裁剪图像 对数据集应用增强 选项 1：使用 tf.data.experimental.Counter 选项 2：使用 tf.random.Generator 后续步骤 图像分割 什么是图像分割？ 下载 Oxford-IIIT Pets 数据集 定义模型 训练模型 做出预测 可选：不平衡的类和类权重 接下来 迁移学习和微调 数据预处理 数据下载 配置数据集以提高性能 使用数据扩充 再缩放像素值 从预训练卷积网络创建基础模型 特征提取 冻结卷积基 有关 BatchNormalization 层的重要说明 添加分类头 编译模型 训练模型 学习曲线 微调 解冻模型的顶层 编译模型 继续训练模型 评估和预测 总结 使用 TensorFlow Hub 进行迁移学习 设置 ImageNet 分类器 下载分类器 对单个图像运行分类器 解码预测 简单的迁移学习 数据集 对一批图像运行分类器 下载无头模型 附加分类头 训练模型 检查预测值 导出并重新加载模型 后续步骤
