Udacity深度学习纳米学位项目中完成了Dog-breed-classifier

狗品种分类器 Udacity深度学习纳米学位项目完成 在这个仓库中，我们找到了两种狗分类器的实现： 从头开始实施的分类器 具有转移学习的分类器 转移学习： 转移学习是一种机器学习方法，其中为任务开发的模型被重用为第二个任务的模型的起点。 这是深度学习中的一种流行方法，其中预先训练的模型被用作计算机视觉和自然语言处理任务的起点，考虑到开发针对这些问题的神经网络模型所需的大量计算和时间资源，以及技能的飞跃发展，他们提供有关的问题。 有许多方法可以应用转移学习。 在我的情况下，我使用列表中经过预训练的网络的卷积和池化层作为特征提取器，以识别数据集中基于形状和颜色的特征。 然后，在图像通过此预训练的特征提取器之后，我们可以在最后添加一个或多个线性层，这些层将作为最终的分类器。 从笔记本中可以看出，从头开始实施的分类器在20个历元（完整的训练周期）下的准确性为11％。 但是，随着迁移学习持续