本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 影像分類的運作方式
<a name="IC-HowItWorks"></a>

影像分類演算法會將影像擷取為輸入，並分類至其中一個輸出類別。深度學習在影像分類領域中掀起革命浪潮，而效能表現更是卓越出色。諸如 [ResNet](https://arxiv.org/abs/1512.03385)、[DenseNet](https://arxiv.org/abs/1608.06993)、[Inception](https://arxiv.org/pdf/1409.4842.pdf) 等多種深度學習網路，在影像分類方面皆擁有極高的準確度。同時，為了訓練這些網路，必要的標籤影像資料收集程序亦成果卓著。[ImageNet](https://www.image-net.org/) 恰好屬於這種大型資料集，其擁有逾 1,100 萬張影像，更具備約 11,000 種分類。一旦您善用 ImageNet 資料訓練網路後，僅需重新調整或微調該網路，即可將其用來歸納其他資料集。此傳輸學習方法會以權重將網路初始化 (本範例是在 ImageNet 上進行訓練)，且稍後可進行微調，進而執行不同資料集中的影像分類任務。

Amazon SageMaker AI 中的影像分類有兩種執行模式：完整訓練和遷移學習。在完整訓練模式中，網路會以隨機權重進行初始化，並在使用者資料上從頭開始訓練。在遷移學習模式中，網路則會以預先訓練的權重進行初始化，唯有頂端完全連線的層級會以隨機權重執行初始化作業。接著，該模式會採用新資料來微調整個網路。在此模式下，您亦可使用較小型的資料集來進行訓練。這是因為網路已經訓練完成，能適用於訓練資料不足的情況。