ชุดข้อมูลดอกไม้จะให้เปอร์เซ็นต์ความแม่นยำเมื่อสร้างแบบจำลอง หากจำเป็นต้องกำหนดค่าโมเดลเพื่อประสิทธิภาพ จะมีการกำหนดฟังก์ชันที่ทำการดึงข้อมูลบัฟเฟอร์ล่วงหน้าเป็นครั้งที่สอง จากนั้นจึงสับเปลี่ยน ฟังก์ชันนี้เรียกในชุดข้อมูลการฝึกเพื่อปรับปรุงประสิทธิภาพของโมเดล
อ่านเพิ่มเติม: TensorFlow คืออะไรและ Keras ทำงานร่วมกับ TensorFlow เพื่อสร้าง Neural Networks อย่างไร
เราจะใช้ชุดข้อมูลดอกไม้ซึ่งมีรูปภาพดอกไม้หลายพันดอก ประกอบด้วยไดเร็กทอรีย่อย 5 ไดเร็กทอรี และมีไดเร็กทอรีย่อยหนึ่งไดเร็กทอรีสำหรับทุกคลาส
เรากำลังใช้ Google Colaboratory เพื่อเรียกใช้โค้ดด้านล่าง Google Colab หรือ Colaboratory ช่วยเรียกใช้โค้ด Python บนเบราว์เซอร์และไม่ต้องมีการกำหนดค่าใดๆ และเข้าถึง GPU ได้ฟรี (หน่วยประมวลผลกราฟิก) Colaboratory ถูกสร้างขึ้นบน Jupyter Notebook
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) เครดิตโค้ด:https://www.tensorflow.org/tutorials/load_data/images
ผลลัพธ์
A function is defined that configures the dataset for perfromance The function is called on training dataset The function is called on validation dataset
คำอธิบาย
- จำเป็นต้องฝึกโมเดลด้วยชุดข้อมูล
- โมเดลจะถูกสับเปลี่ยนอย่างดีก่อน จากนั้นจึงจัดแบทช์ จากนั้นแบทช์เหล่านี้จึงจะพร้อมใช้งาน
- คุณลักษณะเหล่านี้ถูกเพิ่มโดยใช้ API 'tf.data'
