如何使用Tensorflow为鲜花数据集配置性能？

当创建一个模型时，鲜花数据集会提供一定的准确率。如果需要配置该模型的性能，则需要定义一个函数，对缓冲器进行了第二次的预取，然后进行了打乱处理。该函数在训练数据集上调用，以提高模型的性能。

我们将使用包含数千张花卉图像的花卉数据集。它包含5个子目录，每个类别对应一个子目录。

我们使用Google Colaboratory运行下面的代码。Google Colab或Colaboratory可在浏览器上运行Python代码，无需配置，并可免费访问GPU（图形处理器）。Colaboratory是在Jupyter Notebook的基础上构建的。

print("定义了一个函数，用于将数据集配置为性能优化")
def configure_for_performance(ds):
   ds = ds.cache()
   ds = ds.shuffle(buffer_size=1000)
   ds = ds.batch(batch_size)
   ds = ds.prefetch(buffer_size=AUTOTUNE)
   return ds

print("在训练数据集上调用该函数")
train_ds = configure_for_performance(train_ds)
print("在验证数据集上调用该函数")
val_ds = configure_for_performance(val_ds)

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

更多Python相关文章，请阅读：Python 教程

输出

定义了一个函数，用于将数据集配置为性能优化
在训练数据集上调用该函数
在验证数据集上调用该函数

说明

• 需要使用数据集来训练模型。
• 首先对模型进行充分打乱，然后分批次进行处理，然后将这些批次提供出来。
• 使用 ‘tf.data’ API 添加了这些特性。