পারফরম্যান্স কনফিগারেশন
ফ্লাওয়ার ডেটাসেটের মডেল একুরেসি বাড়াতে বাফার প্রিফেচ এবং শাফল ব্যবহার করে কনফিগার করা হয়। একটি ফাংশন ডিফাইন করা হয় যা দ্বিতীয় বার বাফার প্রিফেচ করে, তারপর শাফল করে। এই ফাংশন ট্রেইনিং ডেটাসেটে কল করা হয় পারফরম্যান্স বাড়াতে।
আরও পড়ুন: টেনসরফ্লো কী এবং কেরাস কীভাবে টেনসরফ্লোর সাথে নিউরাল নেটওয়ার্ক তৈরি করে?
ফ্লাওয়ার ডেটাসেট (হাজার হাজার ফুলের ছবি, ৫ সাব-ডিরেক্টরি) ব্যবহার করা হয়েছে। গুগল কোল্যাবরে কোড রান করা হয়েছে।
print("পারফরম্যান্সের জন্য ডেটাসেট কনফিগার করার ফাংশন")
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("ফাংশন ট্রেইনিং ডেটাসেটে কল হচ্ছে")
train_ds = configure_for_performance(train_ds)
print("ফাংশন ভ্যালিডেশন ডেটাসেটে কল হচ্ছে")
val_ds = configure_for_performance(val_ds)কোড ক্রেডিট: https://www.tensorflow.org/tutorials/load_data/images
আউটপুট
পারফরম্যান্সের জন্য ডেটাসেট কনফিগার করার ফাংশন
ফাংশন ট্রেইনিং ডেটাসেটে কল হচ্ছে
ফাংশন ভ্যালিডেশন ডেটাসেটে কল হচ্ছে
ব্যাখ্যা
- মডেল ট্রেইনিংয়ের জন্য ডেটাসেট ভালো শাফল, ব্যাচ, এবং প্রিফেচ করা দরকার।
- এই ফিচারগুলো 'tf.data' API দিয়ে যোগ করা হয়।
