資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究Tensorflow 如何配置花卉資料集以提高效能？
花卉資料集在建立模型時會給出一定的準確率。如果需要配置模型以提高效能，則可以使用緩衝預取與 Rescaling 層。透過將 Rescaling 層作為 Keras 模型的一部分，可以在資料集上使用 Keras 模型應用此層。
閱讀更多：什麼是 TensorFlow 以及 Keras 如何與 TensorFlow 協作建立神經網路？
我們將使用花卉資料集，其中包含數千朵花的影像。它包含 5 個子目錄，每個子目錄對應一個類別。
我們使用 Google Colaboratory 來執行以下程式碼。Google Colab 或 Colaboratory 幫助透過瀏覽器執行 Python 程式碼，無需任何配置，並可以免費訪問 GPU（圖形處理單元）。Colaboratory 建立在 Jupyter Notebook 之上。
AUTOTUNE = tf.data.AUTOTUNE
train_ds = train_ds.cache().prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
num_classes = 5
print("A sequential model is built")
model = tf.keras.Sequential([
layers.experimental.preprocessing.Rescaling(1./255),
layers.Conv2D(32, 3, activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, activation='relu'),
layers.MaxPooling2D(),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(num_classes)
])程式碼來源：https://www.tensorflow.org/tutorials/load_data/images
輸出
A sequential model is built
解釋
- 使用緩衝預取，以便可以從磁碟生成資料，而不會阻塞 I/O。
- 這是載入資料時的一個重要步驟。
- '.cache()' 方法有助於在第一個 epoch 從磁碟載入影像後將其保留在記憶體中。
- 這確保了資料集在訓練模型時不會成為障礙。
- 如果資料集太大而無法放入記憶體，則可以使用相同的方法來建立高效能的磁碟快取。
- '.prefetch()' 方法在訓練資料時重疊資料預處理和模型執行操作。
更新於： 2021年2月19日
154 次檢視
廣告