این مثال ساده نحوه اتصال TensorFlow Datasets (TFDS) را به یک مدل Keras نشان می دهد.
 مشاهده در TensorFlow.org |  در Google Colab اجرا شود |  مشاهده منبع در GitHub |  دانلود دفترچه یادداشت |
import tensorflow as tf
import tensorflow_datasets as tfds
مرحله 1: خط لوله ورودی خود را ایجاد کنید
با ایجاد یک خط لوله ورودی کارآمد با استفاده از توصیه های زیر شروع کنید:
یک مجموعه داده را بارگیری کنید
مجموعه داده MNIST را با آرگومان های زیر بارگیری کنید:
-
shuffle_files=True: داده‌های MNIST فقط در یک فایل ذخیره می‌شوند، اما برای مجموعه داده‌های بزرگتر با چندین فایل روی دیسک، بهتر است هنگام آموزش، آنها را به هم بزنند. -
as_supervised=True: یک تاپل(img, label)را به جای دیکشنری{'image': img, 'label': label}برمی گرداند.
(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
یک خط لوله آموزشی بسازید
تبدیل های زیر را اعمال کنید:
-
tf.data.Dataset.map: TFDS تصاویری از نوعtf.uint8را ارائه می دهد، در حالی که مدل انتظارtf.float32را دارد. بنابراین، شما باید تصاویر را عادی کنید. -
tf.data.Dataset.cacheهمانطور که مجموعه داده را در حافظه جا می دهید، قبل از به هم زدن برای عملکرد بهتر، آن را در حافظه پنهان ذخیره کنید.
توجه: تبدیل های تصادفی باید پس از ذخیره سازی اعمال شوند. -
tf.data.Dataset.shuffle: برای تصادفی بودن واقعی، بافر shuffle را روی اندازه کامل مجموعه داده تنظیم کنید.
توجه: برای مجموعه داده های بزرگی که نمی توانند در حافظه جا شوند، اگر سیستم شما اجازه می دهد ازbuffer_size=1000استفاده کنید. -
tf.data.Dataset.batch: عناصر دسته ای مجموعه داده پس از به هم زدن برای به دست آوردن دسته های منحصر به فرد در هر دوره. -
tf.data.Dataset.prefetch: پایان دادن به خط لوله با واکشی اولیه برای عملکرد ، تمرین خوبی است.
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)
یک خط لوله ارزیابی بسازید
خط لوله آزمایشی شما مشابه خط لوله آموزشی با تفاوت های کوچک است:
- نیازی نیست با
tf.data.Dataset.shuffleتماس بگیرید. - ذخیره سازی پس از بچینگ انجام می شود زیرا دسته ها می توانند بین دوره ها یکسان باشند.
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)
مرحله 2: مدل را ایجاد و آموزش دهید
خط لوله ورودی TFDS را به یک مدل ساده Keras وصل کنید، مدل را کامپایل کنید و آن را آموزش دهید.
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>