如何使用 Tensorflow 配置花卉数据集以提高性能?
pythonserver side programmingprogrammingtensorflow
创建模型时，花卉数据集会给出一定百分比的准确度。如果需要配置模型以提高性能，则定义一个函数，该函数第二次执行缓冲区预取，然后对其进行混洗。在训练数据集上调用此函数以提高模型的性能。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用以创建神经网络?
我们将使用花卉数据集，其中包含数千朵花的图像。它包含 5 个子目录，每个类都有一个子目录。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，并且不需要任何配置，并且可以免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。
print("A function is defined that configures the dataset for perfromance")
def configure_for_performance(ds):
ds = ds.cache()
ds = ds.shuffle(buffer_size=1000)
ds = ds.batch(batch_size)
ds = ds.prefetch(buffer_size=AUTOTUNE)
return ds
print("The function is called on training dataset")
train_ds = configure_for_performance(train_ds)
print("The function is called on validation dataset")
val_ds = configure_for_performance(val_ds)
代码来源:https://www.tensorflow.org/tutorials/load_data/images
输出
A function is defined that configures the dataset for perfromance The function is called on training dataset The function is called on validation dataset
解释
- 需要使用数据集训练模型。
- 首先对模型进行良好的打乱，然后进行分批，然后提供这些批次。
- 这些功能是使用"tf.data"API添加的。
