TensorFlow Lite yra lengvas sprendimas, kurį teikia TensorFlow, skirtas mašininio mokymosi modeliams paleisti mobiliuosiuose ir IoT įrenginiuose. Kai „TensorFlow Lite“ interpretatorius apdoroja objekto atpažinimo modelį su mobiliojo įrenginio kameros kadru kaip įvestimi, išvestis paprastai apima kelis etapus, kad galiausiai būtų galima numatyti vaizde esančius objektus.
Pirma, įvesties kadras iš mobiliojo įrenginio kameros įvedamas į TensorFlow Lite interpretatorių. Tada vertėjas iš anksto apdoroja įvesties vaizdą, konvertuodamas jį į formatą, tinkamą mašininio mokymosi modeliui. Šis išankstinio apdorojimo veiksmas paprastai apima vaizdo dydžio keitimą, kad jis atitiktų modelio tikėtiną įvesties dydį, pikselių reikšmių normalizavimą ir kitų modelio architektūrai būdingų transformacijų pritaikymą.
Tada iš anksto apdorotas vaizdas perduodamas per objekto atpažinimo modelį naudojant TensorFlow Lite interpretatorių. Modelis apdoroja vaizdą naudodamas išmoktus parametrus ir architektūrą, kad sukurtų prognozes apie kadre esančius objektus. Šios prognozės paprastai apima tokią informaciją kaip aptiktų objektų klasių etiketės, jų vietos vaizde ir su kiekvienu numatymu susiję patikimumo balai.
Kai modelis numato prognozes, „TensorFlow Lite“ vertėjas išveda šią informaciją struktūriniu formatu, kurį gali naudoti modelį naudojanti programa. Ši išvestis gali skirtis priklausomai nuo konkrečių programos reikalavimų, tačiau paprastai apima aptiktas objektų klases, ribojančius langelius, apibūdinančius objektus vaizde, ir susijusius patikimumo balus.
Pavyzdžiui, jei objekto atpažinimo modelis yra išmokytas aptikti įprastus objektus, pvz., automobilius, pėsčiuosius ir kelio ženklus, TensorFlow Lite interpretatoriaus išvestis gali apimti prognozes, pvz., „automobilis“ su apribojimo langeliu, nurodančiu automobilio vietą. vaizdas ir pasitikėjimo balas, nurodantis modelio tikrumą dėl prognozės.
TensorFlow Lite interpretatoriaus išvestis, skirta objektų atpažinimo mašininio mokymosi modeliui, apdorojančiam kadrą iš mobiliojo įrenginio kameros, apima išankstinį įvesties vaizdo apdorojimą, perdavimą per modelį, kad būtų padarytos išvados, ir prognozių apie vaizde esančius objektus struktūriniu formatu. tinka tolesniam apdorojimui pagal programą.
Kiti naujausi klausimai ir atsakymai apie EITC/AI/TFF „TensorFlow“ pagrindai:
- Kaip galima naudoti įterpimo sluoksnį, kad automatiškai priskirtų tinkamas ašis žodžių, kaip vektorių, vaizdavimo diagramai?
- Koks yra maksimalaus telkimo tikslas CNN?
- Kaip funkcijų ištraukimo procesas konvoliuciniame neuroniniame tinkle (CNN) taikomas vaizdo atpažinimui?
- Ar TensorFlow.js veikiantiems mašininio mokymosi modeliams būtina naudoti asinchroninio mokymosi funkciją?
- Koks yra TensorFlow Keras Tokenizer API maksimalaus žodžių skaičiaus parametras?
- Ar TensorFlow Keras Tokenizer API galima naudoti ieškant dažniausiai pasitaikančių žodžių?
- Kas yra TOCO?
- Koks ryšys tarp kelių mašininio mokymosi modelio epochų ir modelio veikimo prognozės tikslumo?
- Ar „TensorFlow Neural Structured Learning“ paketo kaimynų API sukuria papildytą mokymo duomenų rinkinį, pagrįstą natūraliais grafiko duomenimis?
- Kas yra „TensorFlow Neural Structured Learning“ paketo kaimynų API?
Peržiūrėkite daugiau klausimų ir atsakymų EITC/AI/TFF TensorFlow Fundamentals