大佬教程收集整理的这篇文章主要介绍了如何从 Tensorflow 中提取“图像”和“标签”?,大佬教程大佬觉得挺不错的,现在分享给大家,也给大家做个参考。
我已经从 CIFAR10 加载了我的训练和验证集,如下所示:
Train = tfds.load('cifar10',split='Train[:90%]',shuffle_files=TruE)
valIDation = tfds.load('cifar10',split='Train[-10%:]',shuffle_files=TruE)
我已经为我的 CNN 创建了架构
@H_412_5@model = ...
现在我正在尝试使用 model.fit() 来训练我的模型,但我不知道如何从我的对象中分离出“图像”和“标签”。训练和验证如下所示:
print(Train) # same layout as the valIDation set
<_OptionsDataset shapes: {ID: (),image: (32,32,3),label: ()},types: {ID: tf.String,image: tf.uint8,label: tf.int64}>
我的天真方法是这样,但那些 OptionsDatasets 不能下标。
history = model.fit(Train['image'],Train['label'],epochs=100,batch_size=64,valIDation_data=(valIDation['image'],test['label'],verbose=0)
我们可以这样做
const handleGetDim = ({ target }) => ({
width: target.innerWidth,height: target.innerHeight,});
window.addEventListener('resize',handleGetDim);
import tensorflow as tf
import tensorflow_datasets as tfds
def normalize(img,label):
img = tf.cast(img,tf.float32) / 255.
return (img,label)
ds = tfds.load('mnist',split='Train',as_supervised=TruE)
ds = ds.shuffle(1024).batch(32).prefetch(tf.data.experimental.AUTOTUNE)
ds = ds.map(normalizE)
for i in ds.take(1):
print(i[0].shape,I[1].shapE)
# (32,28,1) (32,)
返回一个 as_supervised=True
,image
作为元组label
应用预处理函数甚至增强。模型
.map()
编译运行
# declare input shape
input = tf.keras.Input(shape=(28,1))
# Block 1
x = tf.keras.layers.Conv2D(32,3,Strides=2,activation="relu")(input)
# Now that we apply global max pooling.
gap = tf.keras.layers.GlobalMaxPooling2D()(X)
# Finally,we add a classification layer.
output = tf.keras.layers.Dense(10,activation='softmax')(gap)
# bind all
func_model = tf.keras.Model(input,output)
以上是大佬教程为你收集整理的如何从 Tensorflow 中提取“图像”和“标签”?全部内容,希望文章能够帮你解决如何从 Tensorflow 中提取“图像”和“标签”?所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错,欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。