本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 图像分类- TensorFlow 工作原理
<a name="IC-TF-HowItWorks"></a>

图像分类- TensorFlow 算法将图像作为输入，并将其分类为输出类别标签之一。各种深度学习网络 MobileNet，例如、 ResNet、Inception 和，在图像分类方面 EfficientNet 都非常准确。还有一些在大型图像数据集上训练的深度学习网络，例如 ImageNet，它拥有超过 1100 万张图像和近 11,000 个类别。使用 ImageNet 数据对网络进行训练后，您可以针对具有特定重点的数据集对网络进行微调，以执行更具体的分类任务。Amazon SageMaker 图像分类- TensorFlow 算法支持在 TensorFlow Hub 中提供的许多预训练模型上进行迁移学习。

根据训练数据中类别标签的数量，分类层将附加到您选择的预训练 TensorFlow 中心模型上。分类层由丢弃层、密集层和具有 2 范数正则化的完全连接层组成，并使用随机权重进行初始化。模型提供了用于丢弃层的丢弃比率的超参数，以及用于密集层的 L2 正则化系数的超参数。然后，您可以在新训练数据上，对整个网络（包括预训练模型）进行微调，也可以仅对顶层分类层进行微调。使用这种迁移学习方法就可以通过较小的数据集进行训练。