फ्लावर डेटासेट को बफर प्रीफेच, शफल मेथड और कैश मेथड की मदद से प्रदर्शन के लिए कॉन्फ़िगर किया जा सकता है। बफर्ड प्रीफेचिंग का उपयोग यह सुनिश्चित करने के लिए किया जा सकता है कि डेटा को डिस्क से बिना I/O ब्लॉकिंग हुए लिया जा सकता है। Dataset.cache() पहली युग के दौरान डिस्क से लोड होने के बाद छवियों को मेमोरी में रखता है। Dataset.prefetch() प्रशिक्षण के दौरान डेटा प्रीप्रोसेसिंग और मॉडल निष्पादन को ओवरलैप करेगा।
और पढ़ें: TensorFlow क्या है और केरस (Keras) TensorFlow के साथ कैसे काम करता है न्यूरल नेटवर्क बनाने के लिए?
केरस सिक्वेंशियल API का उपयोग किया जाता है, जो एक सिक्वेंशियल मॉडल बनाने में सहायक है जो लेयर्स के एक साधारण स्टैक के साथ काम करता है, जहां प्रत्येक लेयर में ठीक एक इनपुट टेंसर और एक आउटपुट टेंसर होता 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 GPU (ग्रাফিক্যাল প্রসেসিং ইউনিটস) तक मुफ्त पहुंच की आवश्यकता होती है। Colaboratory को Jupyter Notebook के शीर्ष पर बनाया गया है।
print("Configuring the dataset for better performance") AUTOTUNE = tf.data.AUTOTUNE train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE) val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)
कोड क्रेडिट: https://www.tensorflow.org/tutorials/images/classification
आउटपुट
Configuring the dataset for better performance
व्याख्या
- बफर्ड प्रीफेचिंग की अवधारणा का उपयोग किया जा सकता है ताकि डेटा को डिस्क से बिना I/O ब्लॉकिंग हुए लिया जा सके।
- डेटा लोड करते समय दो महत्वपूर्ण मेथड्स का उपयोग किया जा सकता है।
- cache() पहली युग के दौरान डिस्क से लोड होने के बाद छवियों को मेमोरी में रखता है।
- यह सुनिश्चित करेगा कि मॉडल प्रशिक्षित होने पर डेटासेट बॉटलनेक न बने।
- यदि डेटासेट मेमोरी में फिट होने के लिए बहुत बड़ा है, तो इस मेथड का उपयोग ऑन-डिस्क कैश बनाने के लिए किया जा सकता है।
- prefetch() प्रशिक्षण के दौरान डेटा प्रीप्रोसेसिंग और मॉडल निष्पादन को ओवरलैप करेगा।
