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 - TensorFlow 的運作方式
<a name="IC-TF-HowItWorks"></a>

影像分類 - TensorFlow 演算法會擷取影像作為輸入，並將其分類至其中一個輸出類別標籤。各種深度學習網路，例如 MobileNet、ResNet、Inception 和 EfficientNet，就影像分類來說都是高度準確的。此外，深度學習網路也會針對大型影像資料集進行訓練，例如 ImageNet 擁有超過 1100 萬張影像和近 11,000 個類別。使用 ImageNet 資料訓練網路後，您就可以就特定焦點的資料集微調網路，以執行更具體的分類任務。Amazon SageMaker 影像分類 - TensorFlow 演算法支援以 TensorFlow Hub 內提供的許多預先訓練模型，進行傳輸學習。

根據訓練資料中的分類標籤數量，分類層會附加至您選擇的經預先訓練的 TensorFlow Hub 模型。該分類層由一個 Dropout 層，一個 Dense 層和一個全連接層組成，全連接層有以隨機權重起始的 2 范數正則化工具。該模型有超參數，用於 Dropout 層的 Dropout 比例及 Dense 層的 L2 正則化係數。然後，您可以微調整個網路 (包括預先訓練的模型)，或僅微調新訓練資料的最上層分類層。使用這種傳輸學習方法，可以使用較小的資料集進行訓練。