位置: IT常识 - 正文

【tensorflow】制作自己的数据集(tensorflow gui)

编辑:rootadmin
【tensorflow】制作自己的数据集

推荐整理分享【tensorflow】制作自己的数据集(tensorflow gui),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:tensorflow教程,tensorflow jit,tensorflow jit,tensorflow1,tensorflow教程,tensorflow1 教程,tensorflow1 教程,tensorflows,内容如对您有帮助,希望把文章链接给更多的朋友!

  🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝🔝

🥰 博客首页:knighthood2001

😗 欢迎点赞👍评论🗨️

❤️ 热爱python,期待与大家一同进步成长!!❤️

目录

数据集的基本介绍

tensorflow中的数据集

什么是TFDS

安装TFDS

用TFDS加载数据集

实例:将模拟数据制作成内存对象数据集

①生成模拟数据

②定义占位符

③建立session会话,获取并显示模拟数据。

④模拟数据可视化

运行结果

改进:创建带有迭代值并支持乱序功能的模拟数据集 


数据集的基本介绍

        数据集是样本的集合,在深度学习中,数据集用于模型训练。再用tensorflow框架开发深度学习模型之前,需要为模型准备好数据集。在训练模型环节,程序需要从数据集中不断地将数据输入模型,模型通过对注入数据的计算来学习特征。

tensorflow中的数据集

tensorflow中有4种数据集格式

        内存对象数据集:直接用字典变量feed_dict,通过注入模式向模型中输入数据。该数据集适用于少量的数据集输入。

        TFRecord数据集:用队列式管道(tfrecord)向模型输入数据。该数据集适用大量的数据集输入。

        Dataset数据集:通过性能更高的输入管道(tf.data)向模型输入数据。该数据集适用于tensorflow1.4之后的版本。

        tf.keras接口数据集:支持tf.keras语法的数据集接口。该数据集适用于tensorflow1.4之后的版本。

什么是TFDS

        TFDS是tensorflow中的数据集集合模块,该模块将常用的数据及封装起来,实现自动下载与统一的调用接口,为开发模型提供了便利。

安装TFDS

要求:tensorflow版本在1.12及以上。安装命令如下:

pip install tensorflow-datasets用TFDS加载数据集

这里以minst数据集为例

import tensorflow_datasets as tfdsprint(tfds.list_builders())ds_train, ds_test = tfds.load(name='mnist', split=["train", "test"])ds_train = ds_train.shuffle(1000).batch(128).prefetch(10)for features in ds_train.take(1): image, label = features["image"], ["label"]

重要结果如下:

Downloading and preparing dataset Unknown size (download: Unknown size, generated: Unknown size, total: Unknown size) to ~\tensorflow_datasets\mnist\3.0.1...Dataset mnist downloaded and prepared to ~\tensorflow_datasets\mnist\3.0.1. Subsequent calls will reuse this data.实例:将模拟数据制作成内存对象数据集

        本实例将用内存中的模拟数据来制作成数据集,生成的数据集被直接存放在python内存对象中,这样做的好处--数据集的制作可以独立于任何框架。

        本实例将生成一个模拟y≈2x的数据集,并通过静态图的方式显示出来。

步骤如下:

①生成模拟数据

②定义占位符

【tensorflow】制作自己的数据集(tensorflow gui)

③建立session会话,获取并显示模拟数据。

④模拟数据可视化

①生成模拟数据

        在样本制作过程中,最忌讳的是一次性将数据都放入内存中,如果数据量很大,这样容易造成内存用尽,即使是模拟数据,也不建议将数据全部生成以后一次性放入内存中,一般做法是:

Ⅰ创建一个模拟数据生成器,

Ⅱ每次只生成指定批次的样本

这样就在迭代过程中,就可以用“随用随制作”的方法来获取样本数据。

        下面定义GenerateData函数来生成模拟数据,并将GenerateData函数的返回值设为以生成器方式返回。这种做法使内存被占用的最少。

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plttf.compat.v1.disable_v2_behavior()#在内存中生成模拟数据def GenerateData(batchsize = 100): train_X = np.linspace(-1, 1, batchsize) #train_X为-1到1之间连续的100个浮点数 train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x,但是加入了噪声 yield train_X, train_Y #以生成器的方式返回

        函数使用yield,使得函数以生成器的方式返回数据。生成器对象只生成一次,过后便会自动销毁,可以省略大量的内存。

②定义占位符#定义网络模型结构部分,这里只有占位符张量Xinput = tf.compat.v1.placeholder("float", (None))Yinput = tf.compat.v1.placeholder("float", (None))

注意:在正常的模型开发中,这个环节应该是定义占位符和网络结构,在训练模型时,系统会将数据集的输入数据用占位符来代替,并使用静态图的注入机制,将输入数据传入模型进行迭代训练。因为本实例只需要从数据集中获取数据,所以只定义占位符,不需要定义其他网络节点。

③建立session会话,获取并显示模拟数据。

        首先定义数据集的迭代次数,接着建立会话,在会话中使用两层for循环;第一层是按照迭代次数来循环,第二层是对GenerateData函数返回的生成器对象进行循环,并将数据打印出来。

        因为GenerateData函数返回的生成器对象只有一个元素,所以第二层循环也只运行一次。

#建立会话,获取并输出数据training_epochs = 20 # 定义需要迭代的次数with tf.compat.v1.Session() as sess: # 建立会话(session) for epoch in range(training_epochs): #迭代数据集20遍 for x, y in GenerateData(): #通过for循环打印所有的点 xv,yv = sess.run([Xinput,Yinput],feed_dict={Xinput: x, Yinput: y}) #通过静态图注入的方式,传入数据 print(epoch,"| x.shape:",np.shape(xv),"| x[:3]:",xv[:3]) print(epoch,"| y.shape:",np.shape(yv),"| y[:3]:",yv[:3])

代码开始定义了数据集的迭代次数,这个参数在训练模型中才会用到。

④模拟数据可视化#显示模拟数据点train_data = list(GenerateData())[0]plt.plot(train_data[0], train_data[1], 'ro', label='Original data')plt.legend()plt.show()运行结果...17 |x.shape: (100,) |x[:3]: [-1. -0.97979796 -0.959596 ]17 |y.shape: (100,) |y[:3]: [-2.0945473 -2.1236315 -1.6280223]18 |x.shape: (100,) |x[:3]: [-1. -0.97979796 -0.959596 ]18 |y.shape: (100,) |y[:3]: [-2.022675 -2.118289 -1.8735064]19 |x.shape: (100,) |x[:3]: [-1. -0.97979796 -0.959596 ]19 |y.shape: (100,) |y[:3]: [-2.0080116 -2.5169287 -1.6713679]

每行数据被|符号划分为3块区域,分别为:迭代次数、数据的形状、前三个元素的值。

可视化结果如下

改进:创建带有迭代值并支持乱序功能的模拟数据集 

优化如下:

①将数据集与 迭代功能绑定在一起,让代码变得更简洁。

②对数据集进行乱序排序,让生成的x数据无规则 。

通过对数据集的乱序,可以消除样本中无用的特征,从而大大提升模型的泛化能力。

注意:

在乱序操作部分使用的是sklearn.utils库中的shuffle()方法。要使用,首先需要安装,命令如下:

pip install sklearn

改进后全部代码如下: 

import tensorflow as tfimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.utils import shuffletf.compat.v1.disable_v2_behavior()def GenerateData(training_epochs,batchsize=100): for i in range(training_epochs): train_X=np.linspace(-1,1,batchsize) train_Y=2*train_X+np.random.randn(*train_X.shape)*0.3 yield shuffle(train_X,train_Y),iXinput=tf.compat.v1.placeholder("float",(None))Yinput=tf.compat.v1.placeholder("float",(None))training_epochs=20with tf.compat.v1.Session() as sess: for (x,y),ii in GenerateData(training_epochs): xv,yv=sess.run([Xinput,Yinput],feed_dict={Xinput:x,Yinput:y}) print(ii,"|x.shape:",np.shape(xv),"|x[:3]:",xv[:3]) print(ii,"|y.shape:",np.shape(yv),"|y[:3]:",yv[:3])train_data=list(GenerateData(1))[0]plt.plot(train_data[0][0],train_data[0][1],'ro',label='Original data')plt.legend()plt.show()

可视化结果图片如下:

本文链接地址:https://www.jiuchutong.com/zhishi/299692.html 转载请保留说明!

上一篇:vue2.x与vue3.x中自定义指令详解(vue2vue3的区别)

下一篇:NLP与ChatGPT的碰撞:大模型和小模型联合发力(nlp track)

  • 增值税税率改变后原项目的新增单价按哪个税率
  • 企业法人如何网上实名认证
  • 进项税大于销项税需要交附加税吗
  • 金税四期上线了吗什么时候上线
  • 跨年度项目预算怎么安排
  • 小规模纳税人开专票需要交税吗
  • 过次页的金额怎么来的
  • 营业收入利润率多少合适
  • 合伙企业转让股权需要其他股东同意吗
  • 摊销土地使用权和专利权会计分录怎么写
  • 银行对个人借款的处理
  • 残疾人保障金缴纳比例是月1.5%
  • 未达起征点纳税申报表怎么填
  • 油票需要填纳税信息吗
  • 俱乐部会员有什么用
  • 应交增值税进项税额转出
  • 专用发票验旧后还领不到发票
  • 企业所得税为15%的企业
  • 派发现金红利怎么知道有没有
  • 成本算错了
  • 应交税费的明细账怎么手工登记
  • 生育津贴还扣税吗
  • 火车票进项税在哪里认证
  • 任务栏图标重叠一起
  • 电脑折旧率计算公式
  • 苹果电脑屏幕键盘怎么去除
  • 如何保护电子邮件账户不被黑客攻击
  • 企业能公户往个人转账吗
  • 房屋租赁进项税
  • 山茶花的养殖方法盆栽
  • 十分钟带你了解阿氏圆
  • 微信小程序项目开发实战
  • 金融性资产有哪些
  • 郁金香地图
  • json与json字符串
  • 发票过账和不过账是什么意思
  • 固定资产评估如何做
  • Yii CDBCriteria常用方法实例小结
  • 实收资本挂在其他应收款怎么冲销
  • 农产品加计扣除1%怎么计算和会计分录
  • php 自定义函数
  • 公司主营业务和经营范围的区别
  • mongo db数据库
  • ubuntu16安装教程
  • 工程类企业存货
  • 以件数为印花税计税的有哪些
  • 装修专票是几个点
  • 现金及现金等价物包括哪些科目
  • 转账结算的原则是什么
  • 某首饰商城为增值税一般纳税人,2021年1月发生以下业务
  • 经营性租赁账务处理方法
  • 发行股票手续费计入哪里
  • 外汇汇率调整分为哪几种
  • 客户将发票丢了怎么赔偿
  • 长期无法收回的应收账款如何处理
  • Ubuntu下mysql安装和操作图文教程
  • mysql8 jdbc连接
  • mysql 通过拷贝数据文件的方式进行数据库迁移实例
  • ie8 开发者工具
  • Windows Server 2008禁止模块安装提升网络性能
  • safari macos
  • 虚拟机linux使用
  • apache禁用trace方法
  • win10 rs3
  • mac与windows的使用区别
  • sedsvc.exe是什么
  • win7不能自动启动
  • linux系统安装软件教程
  • raid磁盘阵列教程
  • 安卓显示时间代码
  • shell 递归
  • 猫的所有视频
  • jq写css样式
  • jquery遍历dom
  • Javascript 字符串拼接
  • js中的set
  • 源码搜索
  • 现在哪个行业的税负很重了
  • 山东省地方税务局公告2018年第6号
  • 仪征十大名人是哪些人
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设