이 간단한 예는 TensorFlow Datasets(TFDS)를 Keras 모델에 연결하는 방법을 보여줍니다.
 TensorFlow.org에서 보기 |  Google Colab에서 실행 |  GitHub에서 소스 보기 |  노트북 다운로드 |
import tensorflow as tf
import tensorflow_datasets as tfds
1단계: 입력 파이프라인 생성
다음의 조언을 사용하여 효율적인 입력 파이프라인을 구축하는 것으로 시작하십시오.
데이터세트 로드
다음 인수를 사용하여 MNIST 데이터세트를 로드합니다.
-
shuffle_files=True: MNIST 데이터는 단일 파일에만 저장되지만 디스크에 여러 파일이 있는 더 큰 데이터 세트의 경우 훈련할 때 셔플하는 것이 좋습니다. -
as_supervised=True: 사전{'image': img, 'label': label}대신 튜플(img, label)을 반환합니다.
(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
훈련 파이프라인 구축
다음 변환을 적용합니다.
-
tf.data.Dataset.map: TFDS는 tf.uint8 유형의 이미지를 제공하지만 모델은tf.uint8를 예상tf.float32. 따라서 이미지를 정규화해야 합니다. -
tf.data.Dataset.cache데이터세트를 메모리에 맞추면 더 나은 성능을 위해 섞기 전에 캐시하십시오.
참고: 캐싱 후에 임의 변환을 적용해야 합니다. -
tf.data.Dataset.shuffle: 진정한 무작위성을 위해 셔플 버퍼를 전체 데이터 세트 크기로 설정합니다.
참고: 메모리에 맞지 않는 대용량 데이터 세트의 경우 시스템에서 허용하는 경우buffer_size=1000을 사용하십시오. -
tf.data.Dataset.batch: 각 Epoch에서 고유한 배치를 얻기 위해 셔플한 후 데이터 세트의 배치 요소입니다. -
tf.data.Dataset.prefetch: 성능을 위해 미리 가져옴으로써 파이프라인을 종료하는 것이 좋습니다.
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)
평가 파이프라인 구축
테스트 파이프라인은 약간의 차이점이 있는 학습 파이프라인과 유사합니다.
-
tf.data.Dataset.shuffle을 호출할 필요가 없습니다. - 일괄 처리는 Epoch 간에 동일할 수 있으므로 일괄 처리 후에 캐싱이 수행됩니다.
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)
2단계: 모델 생성 및 학습
TFDS 입력 파이프라인을 간단한 Keras 모델에 연결하고 모델을 컴파일하고 훈련합니다.
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>