Python
 Computer >> コンピューター >  >> プログラミング >> Python

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。

  1. Tensorflowを使用して、Pythonを使用して花のデータセットを視覚化するにはどうすればよいですか?

    花のデータセットは、「matplotlib」ライブラリを使用して視覚化できます。 「imshow」メソッドは、コンソールに画像を表示するために使用されます。データセット全体が繰り返され、最初の数枚の画像のみが表示されます。 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。 以下のコードを実行するためにGoogleColaboratoryを使用しています。 Goo

  2. Tensorflowを使用してMNISTデータセットのモデルを定義するにはどうすればよいですか?

    Tensorflowは、Googleが提供する機械学習フレームワークです。これは、Pythonと組み合わせて使用​​されるオープンソースのフレームワークであり、アルゴリズム、深層学習アプリケーションなどを実装します。複雑な数学演算をすばやく実行するのに役立つ最適化手法があります。これは、NumPyと多次元配列を使用しているためです。これらの多次元配列は「テンソル」とも呼ばれます。フレームワークは、ディープニューラルネットワークの操作をサポートします。 「tensorflow」パッケージは、以下のコード行を使用してWindowsにインストールできます- pip install tensorfl