जब कोई मॉडल बनाया जाता है तो फूल डेटासेट ने सटीकता का एक निश्चित प्रतिशत दिया होगा। यदि प्रदर्शन के लिए मॉडल को कॉन्फ़िगर करना आवश्यक है, तो बफर प्रीफेच का उपयोग रेस्केलिंग परत के साथ किया जाता है। इस परत को केरस मॉडल का उपयोग करके डेटासेट पर लागू किया जाता है, जिससे पुनर्विक्रय परत को केरस मॉडल का हिस्सा बनाया जाता है।
और पढ़ें: TensorFlow क्या है और Keras कैसे तंत्रिका नेटवर्क बनाने के लिए TensorFlow के साथ काम करता है?
हम फूलों के डेटासेट का उपयोग करेंगे, जिसमें कई हजारों फूलों के चित्र होंगे। इसमें 5 उप-निर्देशिकाएँ हैं, और प्रत्येक वर्ग के लिए एक उप-निर्देशिका है।
हम नीचे दिए गए कोड को चलाने के लिए Google सहयोग 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 (ग्राफ़िकल प्रोसेसिंग यूनिट) तक मुफ्त पहुंच की आवश्यकता होती है। जुपिटर नोटबुक के ऊपर कोलैबोरेटरी बनाई गई है।
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)
]) कोड क्रेडिट:https://www.tensorflow.org/tutorials/load_data/images
आउटपुट
A sequential model is built
स्पष्टीकरण
- बफ़र्ड प्रीफ़ेचिंग का उपयोग किया जाता है ताकि I/O अवरोधन के बिना डिस्क से डेटा प्राप्त किया जा सके।
- डेटा लोड करते समय यह एक महत्वपूर्ण कदम है।
- पहले युग में डिस्क से लोड होने के बाद '.cache ()' विधि छवियों को स्मृति में रखने में मदद करती है।
- यह सुनिश्चित करता है कि मॉडल को प्रशिक्षित करते समय डेटासेट बाधा न बने।
- यदि डेटासेट मेमोरी में फ़िट होने के लिए बहुत बड़ा है, तो इसी विधि का उपयोग डिस्क पर प्रदर्शन करने वाला कैश बनाने के लिए किया जा सकता है।
- डेटा के प्रशिक्षण के दौरान '.prefetch()' विधि डेटा प्री-प्रोसेसिंग और मॉडल निष्पादन संचालन को ओवरलैप करती है।