如何为Tensorflow配置花卉数据集以提高性能？

当创建一个模型时，花卉数据集会给出一个特定的准确率。如果需要为性能配置模型，则使用缓冲预取和Rescaling层。使用Keras模型将此层应用于数据集，将Rescaling层作为Keras模型的一部分。

更多Python相关文章，请阅读：Python 教程

我们将使用包含数千张花卉图片的花卉数据集。它包含5个子目录，每个类别都有一个子目录。

我们将使用Google Colaboratory来运行以下代码。Google Colab或Colaboratory可以在浏览器上运行Python代码，无需配置，可以免费访问GPU（图形处理器）。Colaboratory建立在Jupyter Notebook之上。

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)
])

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

输出

A sequential model is built

说明

• 使用缓冲预取，以便从磁盘中产生数据而不阻塞I/O。
• 这是加载数据的重要步骤。
• ‘.cache()’方法可在第一轮执行后将图像保留在内存中。
• 这确保了数据集在训练模型时不会成为障碍。
• 如果数据集太大而无法适应内存，则可以使用相同的方法创建高性能的磁盘缓存。
• ‘.prefetch()’方法在数据训练时重叠数据预处理和模型执行操作。