บทนำ
อีกวิธี configure dataset ให้เร็วขึ้น: ใช้ cache() + prefetch() พร้อมใส่ Rescaling layer เข้าในโมเดลโดยตรง
โค้ดตัวอย่าง
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)
])ผลลัพธ์
A sequential model is built
คำอธิบาย
cache(): เก็บข้อมูลใน RAM หลัง epoch แรก (หรือ disk cache) → ไม่ต้องอ่านจาก disk ซ้ำprefetch(AUTOTUNE): overlap preprocessing และ model execution- Rescaling layer ในโมเดล:
layers.experimental.preprocessing.Rescaling(1./255)→ normalize input เป็นส่วนของโมเดล (deploy ง่าย, กัน mismatch) - ไม่ใช้
shuffle()และbatch()ที่นี่ เพราะอาจทำไว้ก่อนหน้านี้ (ดูบทความ 1004103449)
เปรียบเทียบ 2 วิธี
| วิธี | คำอธิบาย |
|---|---|
| บทความ 1004103449 | cache → shuffle → batch → prefetch (full pipeline) |
| บทความนี้ | cache → prefetch + Rescaling layer ในโมเดล (simpler) |
Best Practice
รวมทั้งสอง: pipeline configure ด้วย tf.data (shuffle, batch, cache, prefetch) + preprocessing layers ในโมเดล (Rescaling, Resizing, Augmentation)
