【tensorflow.js学习笔记(3)】迁移学习——用web摄像头玩吃豆人游戏

这篇笔记介绍了如何利用TensorFlow.js的迁移学习,结合web摄像头实现实时图像识别,控制吃豆人游戏。参照官方示例,引入预训练的mobilenet模型,并选取其深层特征层作为输出,以提高识别效果。
摘要由CSDN通过智能技术生成

笔记(2)中利用tensorflow.js实现了一个经典的机器学习问题——CNN识别手写数字集MNIST。这篇笔记将利用web摄像头识别图像并判断上、下、左、右来玩吃豆人游戏。参考官方示例Transfer learning - Train a neural network to predict from webcam data修改了部分代码。

1、首先引入已训练好的模型,mobilenet

async function loadMobilenet() {
  const mobilenet = await tf.loadModel('./model.json');
  const layer = mobilenet.getLayer('conv_pw_13_relu');
  return tf.model({inputs: mobilenet.inputs, outputs: layer.output});
}

其中函数返回的tf.model中输入还是mobilenet的原始输入,输出为mobilenet的“conv_pw_13_relu”层。一般而言,因为越靠后所包含的训练信息越多,所以应选择已训练好的模型中越靠后的层。

2、定义摄像

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值