Tensorflow 如何配置花卉数据集以提高性能?

pythonserver side programmingprogrammingtensorflow更新于 2024/5/31 17:48:17

创建模型时，花卉数据集会给出一定百分比的准确度。如果需要配置模型以提高性能，则缓冲区预取将与重新缩放层一起使用。通过将重新缩放层作为 Keras 模型的一部分，将此层应用于数据集上的 Keras 模型。

我们将使用花卉数据集，其中包含数千朵花的图像。它包含 5 个子目录，每个类都有一个子目录。

我们使用 Google Colaboratory 来运行以下代码。Google Colab 或 Colaboratory 有助于在浏览器上运行 Python 代码，无需配置，并且可以免费访问 GPU(图形处理单元)。 Colaboratory 已在 Jupyter Notebook 上构建。

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("构建顺序模型")
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)
])

代码来源:https://www.tensorflow.org/tutorials/load_data/images