Quelques-uns totaux naturel de toi-même informer que la début thème de tfhub est ce jour sur CRAN. tfhub est une liaison R à cause TensorFlow Hub – une boutique à cause la impression, la création et la disparition de parties réutilisables de modèles d’ébauche pistolet. Un régulier est un portion personnel d’un plan TensorFlow, en tenant ses pondérations et ses possessions, qui peut appartenir réutilisé à cause hétérogènes labeurs à cause un marche rappelé ébauche par accommodement.

La thème CRAN de tfhub peut appartenir installée en tenant :

Subséquemment détenir installé le conditionnement R, toi-même devez cantonner le conditionnement anaconda TensorFlow Hub. Vous-même pouvez le procéder en policier :

Naître

La assaut déterminante de tfhub est layer_hub qui fonctionne puis une enduit keras malheureusement toi-même permet de embâter un modèle plein d’ébauche en précipice pré-formé.

Par prototype, toi-même pouvez :

library(tfhub)
layer_mobilenet <- layer_hub(
  handle = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/hiérarchie/4"
)

Ceci téléchargera le modèle MobileNet pré-formé sur l’association de éventualité ImageNet. Les modèles tfhub sont mis en obscur régulièrement et n’ont pas faim d’appartenir téléchargés la prochaine coup que toi-même utilisez le même modèle.

Vous-même pouvez ce jour appliquer layer_mobilenet puis une enduit Keras commune. Par prototype, toi-même pouvez signaler un modèle :

library(keras)
input <- layer_input(shape = c(224, 224, 3))
produit <- layer_mobilenet(input)
model <- keras_model(input, produit)
summary(model)
Model: "model"
____________________________________________________________________
Layer (marqué)                  Produit Shape               Param #    
====================================================================
input_2 (InputLayer)          ((None, 224, 224, 3))      0          
____________________________________________________________________
keras_layer_1 (KerasLayer)    (None, 1001)               3540265    
====================================================================
Complet params: 3,540,265
Trainable params: 0
Non-trainable params: 3,540,265
____________________________________________________________________

Ce modèle peut ce jour appartenir exploité à cause trouver les placards Imagenet à cause une sensible. Voyons par prototype les résultats à cause la historique caricature de Grace Hopper :

Grâce Hopper
img <- image_load("https://blogs.rstudio.com/tensorflow/posts/images/grace-hopper.jpg", target_size = c(224,224)) %>% 
  image_to_array()
img <- img/255
dim(img) <- c(1, dim(img))
pred <- predict(model, img)
imagenet_decode_predictions(pred(,-1,drop=FALSE))((1))
  class_name class_description    classement
1  n03763968  military_uniform 9.760404
2  n02817516          bearskin 5.922512
3  n04350905              suit 5.729345
4  n03787032       mortarboard 5.400651
5  n03929855       pickelhaube 5.008665

TensorFlow Hub propose pareillement de varié différents modèles d’sensible, de titre et de vidéocassette pré-formés. Entiers les modèles possibles sont disponibles sur le lieu Web du hub TensorFlow.

Hub TensorFlow

Vous-même pouvez prédire d’différents exemples de layer_hub emploi à cause les éditoriaux suivants sur le lieu Web TensorFlow à cause R :

Usage en tenant les recettes et l’API Feature Spec

tfhub propose pareillement des étapes de recettes à cause niveler l’emploi de modèles d’ébauche en précipice pré-formés à cause votre épanchement de gésine d’ébauche pistolet.

Par prototype, toi-même pouvez signaler une richesse qui utilise un modèle d’réunion de titre pré-entraîné en tenant :

rec <- recipe(obscene ~ comment_text, data = coffre) %>%
  step_pretrained_text_embedding(
    comment_text,
    handle = "https://tfhub.dev/google/tf2-preview/gnews-swivel-20dim-with-oov/1"
  ) %>%
  step_bin2factor(obscene)

Vous-même pouvez apercevoir un prototype d’confection plein ici.

Vous-même pouvez pareillement appliquer tfhub en tenant la écho API Feature Spec implémentée à cause tfdatasets. Vous-même pouvez apercevoir un prototype plein ici.

Quelques-uns pourvu que nos lecteurs s’amuseront à tester les modèles Hub et/ou pourront les appliquer à bon science. Si toi-même rencontrez des problèmes, faites-le quelques-uns humanisme en formant un tracas à cause le repère tfhub

Remploi

Le titre et les figures sont inférieurement agrément Creative Commons Dotation CC BY 4.0. Les chiffres qui ont été réutilisés à décamper d’différents ondes ne relèvent pas de cette agrément et peuvent appartenir reconnus par une glose à cause à eux lumière : “Métaphorique de …”.

Mandement

Envers l’concession, veuillez mander ce gésine puis

Falbel (2019, Dec. 18). Posit AI Blog: tfhub: R liaison to TensorFlow Hub. Retrieved from https://blogs.rstudio.com/tensorflow/posts/2019-12-18-tfhub-0.7.0/

Mandement BibTeX

@misc{tfhub,
  author = {Falbel, Daniel},
  title = {Posit AI Blog: tfhub: R liaison to TensorFlow Hub},
  url = {https://blogs.rstudio.com/tensorflow/posts/2019-12-18-tfhub-0.7.0/},
  year = {2019}
}

By nsmaat