TensorFlow Hub의 모든 이미지 모듈은 [0, 1] 범위의 플로트 입력을 기대합니다. 이를 위해 ImageDataGenerator의 크기 조정 매개 변수를 사용합니다. 텐서플로우 최적화를 사용하여 tf.keras 모델을 학습하는 것이 좋습니다. TensorFlow 2.0에서 이전 tf.train 및 tf.keras.optimizers API의 최적화 프로그램은 tf.keras.optimizer에서 통합되었으며, 여기서 원래 tf.keras 최적화 프로그램은 업그레이드된 텐서플로우 최적화 장치로 대체되었습니다[4]. 따라서 TensorFlow 최적화 를 적용하는 것은 이제 tf.keras API로 사용을 완벽하게 지원하고 성능을 희생하지 않고 더 간단하고 일관된 환경입니다. 이 예제에서는 TensorFlow 꽃 데이터 집합을 사용합니다. 결과적으로 TensorFlow 2.0은 필요한 경우 낮은 수준의 사용자 지정 및 복잡성을 유지하면서 더 파이썬틱하고 배우기가 덜 어렵습니다. 기존 이미지 분류 설정에서 상위 수준의 API를 적용하는 방법을 탐색하여 TensorFlow 2.0부터 시작해 보겠습니다. 이 자습서는 TensorFlow.org 미리 학습된 ConvNets를 사용하여 전송 학습에서 영감을 합니다. 원래 자습서를 읽으려면 여기를 참조하십시오. 이 가이드에서는 고급 API인 tf.keras를 사용하여 TensorFlow에서 모델을 빌드하고 학습합니다. 우리는 예측 클래스 ID를 가지고, ImageNet 레이블을 가져 오기, 예측을 디코딩 당신이 의견에 지금까지 TensorFlow 2.0에 대해 어떻게 생각하는지 알려주세요! 또한 이 자습서의 전체 코드에 관심이 있는 경우 여기에서 전자 필기장을 참조하세요.

질문이 있으시면 주저하지 말고 코멘트 섹션에 질문하십시오. 이 문서에서는 TensorFlow 2.0이 유용성, 명확성 및 유연성에 중점을 두어 기계 학습 실험을 위한 TensorFlow를 시작하는 것이 훨씬 덜 어렵게 만드는 방법을 살펴보았습니다. 간절한 실행과 향상된 고급 API는 TensorFlow의 일반적인 복잡성을 대부분 없애주므로 전형적인 이미지 분류 실험을 훨씬 쉽게 구현하고 실행할 수 있습니다. 입력은 우주 로켓 / 셔틀의 이미지입니다 당신이 그것을 호출 할 무엇이든. TensorFlow는 구글 브레인 팀에 의해 파이썬을 위해 만든 오픈 소스 라이브러리입니다. TensorFlow는 다양한 알고리즘과 모델을 함께 컴파일하여 사용자가 이미지 인식/분류 및 자연어 처리와 같은 작업에 사용할 심층 신경망을 구현할 수 있도록 합니다. TensorFlow는 일련의 처리 노드를 구현하여 작동하는 강력한 프레임워크로, 각 노드는 수학적 연산을 나타내며 전체 노드 계열은 «그래프»라고 합니다. [2] 사전 훈련 된 ConvNets를 사용하여 전송 학습 (2019), TensorFlow.org 작성시, 이것은 TensorFlow2.0의 단지 알파 릴리스입니다, 최종 릴리스는 언젠가 올해 후반 예상. 이미 TensorFlow 팀이 TensorFlow의 훨씬 더 직관적인 반복을 단조하고 있음이 분명합니다.