数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 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
时尚研究
法律研究Tensorflow 如何配置花卉数据集以提高性能？
花卉数据集在创建模型时会给出一定的准确率。如果需要配置模型以提高性能，则可以使用缓冲预取与 Rescaling 层。通过将 Rescaling 层作为 Keras 模型的一部分，可以在数据集上使用 Keras 模型应用此层。
阅读更多：什么是 TensorFlow 以及 Keras 如何与 TensorFlow 协作创建神经网络？
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，每个子目录对应一个类别。
我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 帮助通过浏览器运行 Python 代码，无需任何配置，并可以免费访问 GPU（图形处理单元）。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)
])代码来源：https://tensorflowcn.cn/tutorials/load_data/images
输出
A sequential model is built
解释
- 使用缓冲预取，以便可以从磁盘生成数据，而不会阻塞 I/O。
- 这是加载数据时的一个重要步骤。
- '.cache()' 方法有助于在第一个 epoch 从磁盘加载图像后将其保留在内存中。
- 这确保了数据集在训练模型时不会成为障碍。
- 如果数据集太大而无法放入内存，则可以使用相同的方法来创建高性能的磁盘缓存。
- '.prefetch()' 方法在训练数据时重叠数据预处理和模型执行操作。
更新于： 2021年2月19日
154 次查看
广告