このコースの Colab は最新のものではなく、2024 年 7 月に削除される予定です。
ML プラクティス: 画像分類
事前トレーニング済みモデルの活用
畳み込みニューラル ネットワークを画像分類タスクのトレーニングに使うと、通常は膨大な量のトレーニング データが必要になり、完了に数日から数週間かかる、非常に時間がかかることがあります。しかし、TensorFlow-Slim など、巨大なデータセットでトレーニングされた既存の画像モデルを利用し、独自の分類タスクで使えるようにしたらどうでしょうか。
事前トレーニング済みモデルを活用するための一般的な手法の 1 つとして、特徴抽出があります。これは、事前トレーニング済みモデルによって生成された中間表現を取得し、それらの入力を入力として新しいモデルにフィードする仕組みです。たとえば、画像分類モデルをトレーニングする際に、さまざまなタイプの野菜をトレーニングする場合、事前トレーニング済みのモデルに特徴量をフィードし、モデルから学習したすべての特徴をキャプチャして、上位レベルの要素（色、クラス、テーマ、色、テーマ）を取り込みます。事前トレーニング済みモデルで特徴抽出を使用する際のパフォーマンスを向上させるために、エンジニアは抽出された特徴に適用される重みパラメータを微調整することがよくあります。
事前トレーニング済みモデルを使用する場合の特徴抽出と微調整の詳細については、次の演習をご覧ください。
特に記載のない限り、このページのコンテンツはクリエイティブ・コモンズの表示 4.0 ライセンスにより使用許諾されます。コードサンプルは Apache 2.0 ライセンスにより使用許諾されます。詳しくは、Google Developers サイトのポリシーをご覧ください。Java は Oracle および関連会社の登録商標です。
最終更新日 2022-09-27 UTC。
[null,null,["最終更新日 2022-09-27 UTC。"],[[["Pretrained image models can be leveraged to perform image classification tasks, saving time and resources compared to training a new model from scratch."],["Feature extraction involves using the intermediate representations from a pretrained model as input for a new model, enabling the utilization of learned features like color, texture, and shape."],["Fine-tuning the weight parameters of extracted features can further enhance the performance of the new classification model built on top of the pretrained model."]]],[]]
