数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学如何使用TensorFlow和预训练模型来配置数据集以提高性能？
TensorFlow和预训练模型可以使用`tf.Data`模块中存在的`AUTOTUNE`属性来配置数据集以提高性能。缓冲预取用于确保可以从磁盘获取数据，而不会使I/O成为阻塞操作。在训练过程中，Dataset.prefetch()将重叠数据预处理和模型执行。
阅读更多： 什么是TensorFlow以及Keras如何与TensorFlow一起创建神经网络？
我们将了解如何借助从预训练网络进行迁移学习来对猫和狗的图像进行分类。
图像分类迁移学习背后的直觉是，如果一个模型在一个大型且通用的数据集上进行训练，那么这个模型可以有效地作为视觉世界的通用模型。它将学习特征映射，这意味着用户不必从头开始在一个大型数据集上训练大型模型。
阅读更多： 如何预训练自定义模型？
我们使用Google Colaboratory运行以下代码。Google Colab或Colaboratory有助于通过浏览器运行Python代码，无需任何配置，并且可以免费访问GPU（图形处理单元）。Colaboratory构建在Jupyter Notebook之上。
示例
AUTOTUNE = tf.data.AUTOTUNE
print("Configuring dataset for performance")
train_dataset = train_dataset.prefetch(buffer_size=AUTOTUNE)
validation_dataset = validation_dataset.prefetch(buffer_size=AUTOTUNE)
test_dataset = test_dataset.prefetch(buffer_size=AUTOTUNE)代码来源 −https://tensorflowcn.cn/tutorials/images/transfer_learning
输出
Configuring dataset for performance
解释
- 可以使用缓冲预取从磁盘加载图像。
- 这将避免I/O阻塞。
更新于：2021年2月25日
232 次浏览
广告