जब एक मॉडल बनाया जाता है तो फ्लावर डेटासेट एक निश्चित प्रतिशत सटीकता देगा। यदि मॉडल को परफॉरमेंस के लिए कॉन्फ़िगर करना आवश्यक है, तो एक फंक्शन परिभाषित किया जाता है जो दूसरी बार बफर प्रीफेच करता है, और फिर इसे शफल करता है। इस फंक्शन को ट्रेनिंग डेटासेट पर कॉल किया जाता है ताकि मॉडल के परफॉरमेंस में सुधार हो सके।
और पढ़ें: TensorFlow क्या है और Keras, TensorFlow के साथ मिलकर न्यूरल नेटवर्क कैसे बनाता है?
हम फ्लावर्स डेटासेट का उपयोग करेंगे, जिसमें कई हजारों फूलों की छवियां होती हैं। इसमें 5 सब-डायरेक्टरीज हैं, और प्रत्येक क्लास के लिए एक सब-डायरेक्टरी है।
हम नीचे दिए गए कोड को चलाने के लिए Google Colaboratory का उपयोग कर रहे हैं। Google Colab या Colaboratory ब्राउज़र पर Python कोड चलाने में मदद करता है और इसके लिए शून्य कॉन्फ़िगरेशन और GPUs (ग्राफ़िकल प्रोसेसिंग यूनिट्स) तक मुफ्त पहुंच की आवश्यकता होती है। Colaboratory को Jupyter Notebook के ऊपर बनाया गया है।
print("एक फंक्शन परिभाषित किया गया है जो डेटासेट को परफॉरमेंस के लिए कॉन्फ़िगर करता है")
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("फंक्शन को ट्रेनिंग डेटासेट पर कॉल किया जाता है")
train_ds = configure_for_performance(train_ds)
print("फंक्शन को वैलिडेशन डेटासेट पर कॉल किया जाता है")
val_ds = configure_for_performance(val_ds)कोड क्रेडिट: https://www.tensorflow.org/tutorials/load_data/images
आउटपुट
एक फंक्शन परिभाषित किया गया है जो डेटासेट को परफॉरमेंस के लिए कॉन्फ़िगर करता है
फंक्शन को ट्रेनिंग डेटासेट पर कॉल किया जाता है
फंक्शन को वैलिडेशन डेटासेट पर कॉल किया जाता हैव्याख्या
- एक मॉडल को डेटासेट के साथ ट्रेन करने की आवश्यकता होती है।
- मॉडल को पहले अच्छी तरह से शफल किया जाता है, फिर बैच किया जाता है, और फिर ये बैचेस उपलब्ध कराए जाते हैं।
- ये फीचर्स 'tf.data' API का उपयोग करके जोड़े जाते हैं।
