在 TensorFlow.org 上查看 
在 Google Colab 中运行
在 GitHub 中查看源代码 
下载笔记本 
查看 TF Hub 模型TensorFlow Hub 是预训练的 TensorFlow 模型的仓库。
此教程演示了如何执行以下操作：
将来自 TensorFlow Hub 的模型与 tf.keras 结合使用使用来自 TensorFlow Hub 的图像分类模型进行简单的迁移学习，针对您自己的图像类微调模型设置import numpy as npimport timeimport PIL.Image as Imageimport matplotlib.pylab as pltimport tensorflow as tfimport tensorflow_hub as hubimport datetime%load_ext tensorboard2023-11-07 23:03:51.866811: E external/local_xla/xla/stream_executor/cuda/cuda_dnn.cc:9261] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered2023-11-07 23:03:51.866865: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:607] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered2023-11-07 23:03:51.868626: E external/local_xla/xla/stream_executor/cuda/cuda_blas.cc:1515] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registeredImageNet 分类器您将首先使用预训练的分类器模型获取图像并预测它是什么图像 - 无需训练！
下载分类器从 TensorFlow Hub 中选择一个 MobileNetV2 预训练模型，并将其封装为带有 hub.KerasLayer 的 hub.KerasLayer 层。可以在这里使用任何来自 TensorFlow Hub 的兼容的图像分类器模型，包括下面下拉列表中提供的示例。
mobilenet_v2 ="https://tfhub.dev/google/tf2-preview/mobilenet_v2/classification/4"inception_v3 = "https://tfhub.dev/google/imagenet/inception_v3/classification/5"classifier_model = mobilenet_v2IMAGE_SHAPE = (224, 224)classifier = tf.keras.Sequential([hub.KerasLayer(classifier_model, input_shape=IMAGE_SHAPE+(3,))])对单个图像运行分类器下载要在模型上尝试的单个图像。
grace_hopper = tf.keras.utils.get_file('image.jpg','https://storage.googleapis.com/download.tensorflow.org/example_images/grace_hopper.jpg')grace_hopper = Image.open(grace_hopper).resize(IMAGE_SHAPE)grace_hopperDownloading data from https://storage.googleapis.com/download.tensorflow.org/example_images/grace_hopper.jpg61306/61306 [==============================] - 0s 0us/step
添加批量维度（使用 np.newaxis）并将图像传递给模型：
result = classifier.predict(grace_hopper[np.newaxis, ...])result.shape1/1 [==============================] - 2s 2s/step(1, 1001)结果是一个 1001 元素的 logits 向量，同时对图像属于每个类别的概率进行评分。
顶部类 ID 可以通过 tf.math.argmax 找到：
predicted_class = tf.math.argmax(result[0], axis=-1)predicted_class解码预测获取 predicted_class ID（例如 653）并获取 ImageNet 数据集标签以解码预测：
labels_path = tf.keras.utils.get_file('ImageNetLabels.txt','https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt')imagenet_labels = np.array(open(labels_path).read().splitlines())Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt10484/10484 [==============================] - 0s 0us/stepplt.imshow(grace_hopper)plt.axis('off')predicted_class_name = imagenet_labels[predicted_class]_ = plt.title("Prediction: " + predicted_class_name.title())
但是，如果您想使用自己的数据集创建一个自定义分类器，但该数据集的类未包含在原始 ImageNet 数据集中（预训练模型已基于该数据集进行训练），此时该如何处理？
为此，您可以：
从 TensorFlow Hub 中选择一个预训练模型；重新训练顶部（最后一个）层以识别自定义数据集中的类。数据集在本例中，您将使用 TensorFlow 花卉数据集：
import pathlibdata_file = tf.keras.utils.get_file( 'flower_photos.tgz', 'https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz', cache_dir='.',extract=True)data_root = pathlib.Path(data_file).with_suffix('')Downloading data from https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz228813984/228813984 [==============================] - 1s 0us/step首先，使用 tf.keras.utils.image_dataset_from_directory 将磁盘上的图像数据加载到模型中，这将生成一个 tf.data.Dataset：
batch_size = 32img_height = 224img_width = 224train_ds = tf.keras.utils.image_dataset_from_directory( str(data_root), validation_split=0.2, subset="training", seed=123, image_size=(img_height, img_width), batch_size=batch_size)val_ds = tf.keras.utils.image_dataset_from_directory( str(data_root), validation_split=0.2, subset="validation", seed=123, image_size=(img_height, img_width), batch_size=batch_size)Found 3670 files belonging to 5 classes.Using 2936 files for training.Found 3670 files belonging to 5 classes.Using 734 files for validation.花卉数据集有五个类。
class_names = np.array(train_ds.class_names)print(class_names)['daisy' 'dandelion' 'roses' 'sunflowers' 'tulips']其次，由于 TensorFlow Hub 对图像模型的约定是期望浮点输入在 [0, 1] 范围内，因此使用 tf.keras.layers.Rescaling 预处理层来实现这一点。
注：您还可以在模型中包含 tf.keras.layers.Rescaling 层。有关权衡的讨论，请参阅使用预处理层指南。
normalization_layer = tf.keras.layers.Rescaling(1./255)train_ds = train_ds.map(lambda x, y: (normalization_layer(x), y)) # Where x—images, y—labels.val_ds = val_ds.map(lambda x, y: (normalization_layer(x), y)) # Where x—images, y—labels.第三，通过使用 Dataset.prefetch 的缓冲预提取来完成输入流水线，这样您就可以从磁盘产生数据而不会出现 I/O 阻塞问题。
这些是加载数据时应该使用的一些最重要的 tf.data 方法。感兴趣的读者可以在使用 tf.data API 获得更高性能指南中了解有关它们的