imageclassification

与Keras的实用图像分类：

• 你好Colab
• 图像分类
• 预验证的特征差异化
• 转移学习
• 基于功能的图像搜索

---

01 HelloColab.ipynb

基本COLAB演示

---

02 Imagececrification.ipynb

在此代码中，我们将实现一个基本的图像分类器：

• 加载数据集（MNIST手写数字）
• 设计深度学习模型并检查其可学习参数
• 在训练数据上训练模型并检查学习曲线
• 评估从未见过的测试数据的训练模型
• 保存模型以供以后使用
• 加载并使用模型

---

03预绘制的Featureviz .ipynb

在此代码中，我们将加载预验证的图像分类网络

• RESNET50
• VGG16
• VGG19

然后使用验证的网络，通过T-SNE进行特征提取和可视化

---

04 TransferLearning.IPYNB

在转移学习中，我们希望利用源任务所学到的知识来帮助学习另一个目标任务。例如，可以利用训练有素，丰富的图像分类网络用于另一个与图像目标相关的任务。另一个例子是，在模拟环境中训练的网络学到的知识可以转移到真实环境的网络中。基本上，神经网络转移学习有两种基本情况：

• 特征提取
• 微调

转移学习的一个众所周知的示例是加载已经训练的大规模分类VGG网络，该网络能够将图像分类为1000个类之一，并将其​​用于其他任务，例如特殊医疗图像的分类。

---

05 featurebaseadimagesearch.ipynb

图像搜索引擎：一般而言，搜索引擎通常会进行查询并返回结果。图像搜索引擎将输入图像作为图像查询，然后图像搜索引擎在其索引数据库中找到“相似”图像，并将其返回为搜索结果。如何衡量两个图像之间的相似性？

• 像素空间：一种简单的方法是测量像素空间中两个图像之间的欧几里得距离。因此，如果两个图像具有相应像素的常见或接近值，则被视为“相似”。这可能有时起作用，但是从像素的角度来看，具有蓝色背景的海豚和飞机图像将被认为是相似的，我们不希望那样！
• 特征空间：另一种方法是在计算两个图像之间的欧几里得距离时使用特征空间而不是像素空间。换句话说，将图像投影到一个具有相似特征的图像彼此接近的空间中。在这个空间中，尽管像素水平相似，但仍分离出海豚和飞机。