如何使用 Tensorflow 使用 Python 标准化数据?
pythonserver side programmingprogrammingtensorflow
我们将使用 flowers 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。使用 ‘get_file’ 方法下载 flower 数据集后，它将被加载到环境中进行处理。
通过在模型中引入规范化层，可以标准化 flower 数据。此层称为 ‘Rescaling’ 层，使用 ‘map’ 应用于整个数据集方法。
阅读更多: 什么是 TensorFlow，以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们正在使用 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 已在 Jupyter Notebook 上构建。
print("创建了规范化层")
normalization_layer = layer.experimental.preprocessing.Rescaling(1./255)
print("使用 map 函数将此层应用于数据集")
normalized_ds = train_ds.map(lambda x, y: (normalization_layer(x), y))
image_batch, labels_batch = next(iter(normalized_ds))
first_image = image_batch[0]
print(np.min(first_image), np.max(first_image))
代码来源:https://www.tensorflow.org/tutorials/images/classification
输出
创建了规范化层 此层使用 map 函数应用于数据集 0.0 1.0
解释
- RGB 通道值在 [0, 255] 范围内。
- 这对于神经网络来说并不理想。
- 作为经验法则，确保输入值很小。
- 因此，我们可以将值标准化，使其介于 [0, 1] 之间。
- 这是通过使用重新缩放层来完成的。
- 可以通过调用 map 函数将层应用于数据集来完成。
- 另一种方法是将层包含在模型中定义。
- 这将简化部署过程。
