imageclassification

與Keras的實用圖像分類：

• 你好Colab
• 圖像分類
• 預驗證的特徵差異化
• 轉移學習
• 基於功能的圖像搜索

---

01 HelloColab.ipynb

基本COLAB演示

---

02 Imagececrification.ipynb

在此代碼中，我們將實現一個基本的圖像分類器：

• 加載數據集（MNIST手寫數字）
• 設計深度學習模型並檢查其可學習參數
• 在訓練數據上訓練模型並檢查學習曲線
• 評估從未見過的測試數據的訓練模型
• 保存模型以供以後使用
• 加載並使用模型

---

03預繪製的Featureviz .ipynb

在此代碼中，我們將加載預驗證的圖像分類網絡

• RESNET50
• VGG16
• VGG19

然後使用驗證的網絡，通過T-SNE進行特徵提取和可視化

---

04 TransferLearning.IPYNB

在轉移學習中，我們希望利用源任務所學到的知識來幫助學習另一個目標任務。例如，可以利用訓練有素，豐富的圖像分類網絡用於另一個與圖像目標相關的任務。另一個例子是，在模擬環境中訓練的網絡學到的知識可以轉移到真實環境的網絡中。基本上，神經網絡轉移學習有兩種基本情況：

• 特徵提取
• 微調

轉移學習的一個眾所周知的示例是加載已經訓練的大規模分類VGG網絡，該網絡能夠將圖像分類為1000個類之一，並將其​​用於其他任務，例如特殊醫療圖像的分類。

---

05 featurebaseadimagesearch.ipynb

圖像搜索引擎：一般而言，搜索引擎通常會進行查詢並返回結果。圖像搜索引擎將輸入圖像作為圖像查詢，然後圖像搜索引擎在其索引數據庫中找到“相似”圖像，並將其返回為搜索結果。如何衡量兩個圖像之間的相似性？

• 像素空間：一種簡單的方法是測量像素空間中兩個圖像之間的歐幾里得距離。因此，如果兩個圖像具有相應像素的常見或接近值，則被視為“相似”。這可能有時起作用，但是從像素的角度來看，具有藍色背景的海豚和飛機圖像將被認為是相似的，我們不希望那樣！
• 特徵空間：另一種方法是在計算兩個圖像之間的歐幾里得距離時使用特徵空間而不是像素空間。換句話說，將圖像投影到一個具有相似特徵的圖像彼此接近的空間中。在這個空間中，儘管像素水平相似，但仍分離出海豚和飛機。