फूल डेटासेट को केरस प्रीप्रोसेसिंग API का उपयोग करके प्री-प्रोसेस किया जा सकता है। इसमें 'image_dataset_from_directory' नामक एक विधि है जो वैलिडेशन सेट, डेटा संग्रहीत करने वाली डायरेक्टरी और डेटासेट को प्रोसेस करने के लिए अन्य पैरामीटर लेती है।
और पढ़ें: TensorFlow क्या है और केरस TensorFlow के साथ न्यूरल नेटवर्क बनाने के लिए कैसे काम करता है?
हम केरस Sequential API का उपयोग करेंगे, जो एक सादे स्टैक के साथ काम करने के लिए एक अनुक्रमिक मॉडल बनाने में मददगार है, जहां प्रत्येक परत में ठीक एक इनपुट टेंसर और एक आउटपुट टेंसर होता है। एक छवि वर्गीकरणकर्ता keras.Sequential मॉडल का उपयोग करके बनाया जाता है, और डेटा preprocessing.image_dataset_from_directory का उपयोग करके लोड किया जाता है।
डेटा डिस्क से कुशलतापूर्वक लोड होता है। ओवरफिटिंग की पहचान की जाती है और इसे कम करने के लिए तकनीकें लागू की जाती हैं। इन तकनीकों में डेटा ऑग्मेंटेशन और ड्रॉपआउट शामिल हैं। 3700 फूलों की छवियां हैं। इस डेटासेट में 5 सब डायरेक्टरी हैं, और प्रति क्लास एक सब डायरेक्टरी है। वे हैं: डेज़ी, डैंडेलियन, गुलाब, सूरजमुखी, और ट्यूलिप।
हम नीचे दिए गए कोड को चलाने के लिए Google Colaboratory का उपयोग कर रहे हैं। Google Colab या Colaboratory ब्राउज़र पर पायथन कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन और GPU (ग्राफिकल प्रोसेसिंग यूनिट्स) तक मुफ्त पहुंच की आवश्यकता होती है। Colaboratory को Jupyter Notebook के शीर्ष पर बनाया गया है।
print("Pre-processing the dataset using keras.preprocessing")
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
data_dir,
validation_split=0.2,
subset="validation",
seed=123,
image_size=(img_height, img_width),
batch_size=batch_size)
class_names = train_ds.class_names
print("The class names are:")
print(class_names)
कोड क्रेडिट: https://www.tensorflow.org/tutorials/images/classification
आउटपुट
Pre-processing the dataset using keras.preprocessing Found 3670 files belonging to 5 classes. Using 734 files for validation. The class names are: ['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
व्याख्या
- डेटासेट को keras.preprocessing विधि का उपयोग करके प्रोसेस किया जाता है।
- अगला चरण कंसोल पर क्लास नाम प्रदर्शित करना है।
