发布于: Sep 8, 2022
Amazon SageMaker 提供一套内置算法、预训练模型和预置解决方案模板，以帮助数据科学家和机器学习从业人员快速地开始训练和部署机器学习模型。这些算法和模型可同时用于有监督的学习和无监督的学习。它们可以处理各种输入数据类型，其中包括表格、图像和文本。
即日起，Amazon SageMaker 提供了一种新的内置图像分类算法：图像分类 - TensorFlow。它是一种有监督学习算法，支持 TensorFlow Hub 中提供的许多预训练模型使用迁移学习。它将图像作为输入并输出每个类标签的概率。即使在没有大量训练图像可用的情况下，也可以使用迁移学习对这些预训练模型进行优化。它可通过 SageMaker 内置算法以及通过 SageMaker Studio 内的 SageMaker JumpStart UI 获取。
Amazon SageMaker 中的图像分类 TensorFlow 在 TensorFlow Hub 中提供的许多预训练模型上提供迁移学习。在机器学习中，利用一个模型的训练结果生成另一个模型的能力称为迁移学习。根据您的训练数据中的类标签数量，将分类层附加到预训练的 TensorFlow Hub 模型。分类层包含一个丢弃层和一个稠密层（全连接层），带有 2-norm 正则化项，其使用随机权重初始化。模型训练具有针对丢弃层的丢弃率的超参数，以及针对稠密层的 L2 正则化因子。然后，可以使用新的训练数据对整个网络（包括预训练模型）或仅对顶层分类层进行优化。该算法提供了广泛的训练超参数，用于对您的自定义数据集进行优化。
要了解如何使用此算法，请参阅 AWS 文档图像分类 - TensorFlow 和示例笔记本 SageMaker TensorFlow 简介 - 图像分类。有关如何使用这些算法的更详细说明，请参阅以下博客文章 Amazon SageMaker 中的 TensorFlow 图像分类模型的迁移学习博客。