যখন একটি মডেল তৈরি করা হয় তখন ফুলের ডেটাসেট নির্ভুলতার একটি নির্দিষ্ট শতাংশ দেবে। যদি পারফরম্যান্সের জন্য মডেলটি কনফিগার করার প্রয়োজন হয়, একটি ফাংশন সংজ্ঞায়িত করা হয় যা দ্বিতীয়বার বাফার প্রিফেচ সম্পাদন করে এবং তারপরে এটি এলোমেলো করা হয়। মডেলের কর্মক্ষমতা উন্নত করতে প্রশিক্ষণ ডেটাসেটে এই ফাংশনটি বলা হয়।
আরো পড়ুন: টেনসরফ্লো কী এবং নিউরাল নেটওয়ার্ক তৈরি করতে টেনসরফ্লো-এর সাথে কেরাস কীভাবে কাজ করে?
আমরা ফুলের ডেটাসেট ব্যবহার করব, যেটিতে কয়েক হাজার ফুলের ছবি রয়েছে। এটিতে 5টি সাব-ডিরেক্টরি রয়েছে এবং প্রতিটি ক্লাসের জন্য একটি সাব-ডিরেক্টরি রয়েছে।
নিচের কোডটি চালানোর জন্য আমরা Google Colaboratory ব্যবহার করছি। Google Colab বা Colaboratory ব্রাউজারে Python কোড চালাতে সাহায্য করে এবং এর জন্য শূন্য কনফিগারেশন এবং GPUs (গ্রাফিক্যাল প্রসেসিং ইউনিট) তে বিনামূল্যে অ্যাক্সেস প্রয়োজন। জুপিটার নোটবুকের উপরে কোলাবোরেটরি তৈরি করা হয়েছে।
print("A function is defined that configures the dataset for perfromance")
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("The function is called on training dataset")
train_ds = configure_for_performance(train_ds)
print("The function is called on validation dataset")
val_ds = configure_for_performance(val_ds) কোড ক্রেডিট:https://www.tensorflow.org/tutorials/load_data/images
আউটপুট
A function is defined that configures the dataset for perfromance The function is called on training dataset The function is called on validation dataset
ব্যাখ্যা
- ডেটাসেটের সাথে একটি মডেলকে প্রশিক্ষিত করতে হবে।
- মডেলটি প্রথমে ভালভাবে এলোমেলো করা হয়, তারপর ব্যাচ করা হয় এবং তারপর এই ব্যাচগুলি উপলব্ধ করা হয়৷
- এই বৈশিষ্ট্যগুলি 'tf.data' API ব্যবহার করে যোগ করা হয়েছে।
