Tensorflowはパフォーマンスのために花のデータセットをどのように構成できますか？

花のデータセットは、モデルが作成されたときに一定の割合の精度を提供します。パフォーマンスのためにモデルを構成する必要がある場合は、バッファープリフェッチが再スケーリングレイヤーとともに使用されます。このレイヤーは、データセットのKerasモデルを使用して、再スケーリングレイヤーをKerasモデルの一部にすることで適用されます。

続きを読む： TensorFlowとは何ですか？KerasはTensorFlowとどのように連携してニューラルネットワークを作成しますか？

数千の花の画像を含む花のデータセットを使用します。これには5つのサブディレクトリが含まれ、クラスごとに1つのサブディレクトリがあります。

Google Colaboratoryを使用して、以下のコードを実行しています。 Google ColabまたはColaboratoryは、ブラウザー上でPythonコードを実行するのに役立ち、構成が不要で、GPU（グラフィックプロセッシングユニット）に無料でアクセスできます。 ColaboratoryはJupyterNotebookの上に構築されています。

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)
])

コードクレジット：https：//www.tensorflow.org/tutorials/load_data/images

出力

A sequential model is built

説明

• バッファリングされたプリフェッチを使用して、I/Oをブロックせずにディスクからデータを取得できるようにします。
• これは、データを読み込む際の重要な手順です。
• 「。cache（）」メソッドは、最初のエポックでディスクからロードされた後、イメージをメモリに保持するのに役立ちます。
• これにより、モデルのトレーニング中にデータセットが障害物にならないようにします。
• データセットが大きすぎてメモリに収まらない場合は、これと同じ方法を使用して、パフォーマンスの高いオンディスクキャッシュを作成できます。
• 「。prefetch（）」メソッドは、データのトレーニング中にデータの前処理とモデル実行の操作をオーバーラップさせます。