Contoh sederhana ini menunjukkan cara memasang TensorFlow Datasets (TFDS) ke dalam model Keras.
Lihat di TensorFlow.org | Jalankan di Google Colab | Lihat sumber di GitHub | Unduh buku catatan |
import tensorflow as tf
import tensorflow_datasets as tfds
Langkah 1: Buat saluran input Anda
Mulailah dengan membangun saluran input yang efisien menggunakan saran dari:
Muat kumpulan data
Muat set data MNIST dengan argumen berikut:
-
shuffle_files=True
: Data MNIST hanya disimpan dalam satu file, tetapi untuk kumpulan data yang lebih besar dengan banyak file di disk, praktik yang baik adalah mengocoknya saat pelatihan. -
as_supervised=True
: Mengembalikan tuple(img, label)
alih-alih kamus{'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
Bangun saluran pelatihan
Terapkan transformasi berikut:
-
tf.data.Dataset.map
: TFDS menyediakan gambar bertipetf.uint8
, sedangkan model mengharapkantf.float32
. Karena itu, Anda perlu menormalkan gambar. -
tf.data.Dataset.cache
Saat Anda memasukkan dataset ke dalam memori, simpan di cache sebelum mengacaknya untuk kinerja yang lebih baik.
Catatan: Transformasi acak harus diterapkan setelah caching. -
tf.data.Dataset.shuffle
: Untuk keacakan yang sebenarnya, atur buffer shuffle ke ukuran set data penuh.
Catatan: Untuk kumpulan data besar yang tidak dapat dimasukkan ke dalam memori, gunakanbuffer_size=1000
jika sistem Anda mengizinkannya. -
tf.data.Dataset.batch
: Elemen batch dari dataset setelah mengacak untuk mendapatkan batch unik di setiap epoch. -
tf.data.Dataset.prefetch
: Ini adalah praktik yang baik untuk mengakhiri pipeline dengan melakukan prefetching untuk performa .
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)
Bangun saluran evaluasi
Pipeline pengujian Anda mirip dengan pipeline pelatihan dengan sedikit perbedaan:
- Anda tidak perlu memanggil
tf.data.Dataset.shuffle
. - Caching dilakukan setelah batching karena batch bisa sama antar epoch.
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)
Langkah 2: Buat dan latih modelnya
Pasang pipa input TFDS ke model Keras sederhana, kompilasi model, dan latih.
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>