דוגמה פשוטה זו מדגימה כיצד לחבר את מערכי הנתונים של TensorFlow (TFDS) לדגם Keras.
 הצג באתר TensorFlow.org |  הפעל בגוגל קולאב |  צפה במקור ב-GitHub |  הורד מחברת |
import tensorflow as tf
import tensorflow_datasets as tfds
שלב 1: צור את צינור הקלט שלך
התחל בבניית צינור קלט יעיל באמצעות עצות מ:
טען מערך נתונים
טען את מערך הנתונים של MNIST עם הארגומנטים הבאים:
-
shuffle_files=True: נתוני ה-MNIST מאוחסנים רק בקובץ בודד, אבל עבור מערכי נתונים גדולים יותר עם מספר קבצים בדיסק, מומלץ לערבב אותם בזמן האימון. -
as_supervised=True: מחזירה tuple(img, label)במקום מילון{'image': img, 'label': label}.
(ds_train, ds_test), ds_info = tfds.load(
'mnist',
split=['train', 'test'],
shuffle_files=True,
as_supervised=True,
with_info=True,
)
2022-02-07 04:05:46.671689: E tensorflow/stream_executor/cuda/cuda_driver.cc:271] failed call to cuInit: CUDA_ERROR_NO_DEVICE: no CUDA-capable device is detected
בניית צינור הדרכה
החל את התמורות הבאות:
-
tf.data.Dataset.map: TFDS מספקים תמונות מסוגtf.uint8, בעוד שהמודל מצפהtf.float32. לכן, אתה צריך לנרמל תמונות. -
tf.data.Dataset.cacheכאשר אתה מכניס את מערך הנתונים לזיכרון, שמור אותו במטמון לפני ערבוב לביצועים טובים יותר.
הערה: יש להחיל טרנספורמציות אקראיות לאחר שמירה במטמון. -
tf.data.Dataset.shuffle: לאקראיות אמיתית, הגדר את מאגר ה-shuffle לגודל מערך הנתונים המלא.
הערה: עבור מערכי נתונים גדולים שאינם יכולים להתאים לזיכרון, השתמש ב-buffer_size=1000אם המערכת שלך מאפשרת זאת. -
tf.data.Dataset.batch: אצווה רכיבים של מערך הנתונים לאחר ערבוב כדי לקבל אצווה ייחודית בכל תקופה. -
tf.data.Dataset.prefetch: נוהג טוב לסיים את הצינור על ידי שליפה מראש לביצועים .
def normalize_img(image, label):
"""Normalizes images: `uint8` -> `float32`."""
return tf.cast(image, tf.float32) / 255., label
ds_train = ds_train.map(
normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_train = ds_train.cache()
ds_train = ds_train.shuffle(ds_info.splits['train'].num_examples)
ds_train = ds_train.batch(128)
ds_train = ds_train.prefetch(tf.data.AUTOTUNE)
בניית צינור הערכה
צינור הבדיקה שלך דומה לצינור ההדרכה עם הבדלים קטנים:
- אינך צריך להתקשר ל-
tf.data.Dataset.shuffle. - שמירה במטמון מתבצעת לאחר אצווה מכיוון שאצווה יכולה להיות זהה בין תקופות.
ds_test = ds_test.map(
normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_test = ds_test.batch(128)
ds_test = ds_test.cache()
ds_test = ds_test.prefetch(tf.data.AUTOTUNE)
שלב 2: צור ואימון המודל
חבר את צינור הקלט TFDS לדגם פשוט של Keras, הרכיב את המודל והכשיר אותו.
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(10)
])
model.compile(
optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=[tf.keras.metrics.SparseCategoricalAccuracy()],
)
model.fit(
ds_train,
epochs=6,
validation_data=ds_test,
)
Epoch 1/6 469/469 [==============================] - 5s 4ms/step - loss: 0.3503 - sparse_categorical_accuracy: 0.9053 - val_loss: 0.1979 - val_sparse_categorical_accuracy: 0.9415 Epoch 2/6 469/469 [==============================] - 1s 2ms/step - loss: 0.1668 - sparse_categorical_accuracy: 0.9524 - val_loss: 0.1392 - val_sparse_categorical_accuracy: 0.9595 Epoch 3/6 469/469 [==============================] - 1s 2ms/step - loss: 0.1216 - sparse_categorical_accuracy: 0.9657 - val_loss: 0.1120 - val_sparse_categorical_accuracy: 0.9653 Epoch 4/6 469/469 [==============================] - 1s 2ms/step - loss: 0.0939 - sparse_categorical_accuracy: 0.9726 - val_loss: 0.0960 - val_sparse_categorical_accuracy: 0.9704 Epoch 5/6 469/469 [==============================] - 1s 2ms/step - loss: 0.0757 - sparse_categorical_accuracy: 0.9781 - val_loss: 0.0928 - val_sparse_categorical_accuracy: 0.9717 Epoch 6/6 469/469 [==============================] - 1s 2ms/step - loss: 0.0625 - sparse_categorical_accuracy: 0.9818 - val_loss: 0.0851 - val_sparse_categorical_accuracy: 0.9728 <keras.callbacks.History at 0x7f77b42cd910>