Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
tensorflow
GitHub Repository: tensorflow/docs-l10n
 Path: blob/master/site/zh-cn/datasets/keras_example.ipynb
25115 views
Kernel: Python 3

Training a neural network on MNIST with Keras

This simple example demonstrates how to plug TensorFlow Datasets (TFDS) into a Keras model.

Copyright 2020 The TensorFlow Datasets Authors, Licensed under the Apache License, Version 2.0

import tensorflow as tf
import tensorflow_datasets as tfds

第 1 步：创建输入流水线

首先，使用以下指南中的建议构建有效的输入流水线：

加载数据集

使用以下参数加载 MNIST 数据集：

  • shuffle_files=True：MNIST 数据仅存储在单个文件中，但是对于大型数据集则会以多个文件存储在磁盘中，在训练时最好将它们打乱顺序。

  • as_supervised=True：返回元组 (img, label) 而非字典 {'image': img, 'label': label}。

(ds_train, ds_test), ds_info = tfds.load(
    'mnist',
    split=['train', 'test'],
    shuffle_files=True,
    as_supervised=True,
    with_info=True,
)

构建训练流水线

应用以下转换：

  • tf.data.Dataset.map：TFDS 提供 tf.uint8 类型的图像，而模型期望 tf.float32。因此，您需要对图像进行归一化。

  • tf.data.Dataset.cache：将数据集装入内存时，先缓存再打乱顺序以提高性能。
    注：应在缓存后应用随机转换。

  • tf.data.Dataset.shuffle：要获得真正的随机性，请将打乱顺序缓冲区设置为完整的数据集大小。
    **注：**对于无法装入内存的大型数据集，如果系统允许，请使用 buffer_size=1000。

  • tf.data.Dataset.batch：打乱顺序后对数据集的元素进行批处理，以在每个周期获得唯一的批次。

  • tf.data.Dataset.prefetch：最好通过预提取结束流水线以提升性能。

def normalize_img(image, label):
  """Normalizes images: `uint8` -> `float32`."""
  return tf.cast(image, tf.float32) / 255., label

ds_train = ds_train.map(
    normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_train = ds_train.cache()
ds_train = ds_train.shuffle(ds_info.splits['train'].num_examples)
ds_train = ds_train.batch(128)
ds_train = ds_train.prefetch(tf.data.AUTOTUNE)

构建评估流水线

您的测试流水线与训练流水线类似，只有几点细微差异：

  • 您无需调用 tf.data.Dataset.shuffle。

  • 在批处理后进行缓存，因为各个周期之间的批次可以相同。

ds_test = ds_test.map(
    normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds_test = ds_test.batch(128)
ds_test = ds_test.cache()
ds_test = ds_test.prefetch(tf.data.AUTOTUNE)

第 2 步：创建并训练模型

将 TFDS 输入流水线插入一个简单的 Keras 模型、编译模型并训练它。

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(10)
])
model.compile(
    optimizer=tf.keras.optimizers.Adam(0.001),
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=[tf.keras.metrics.SparseCategoricalAccuracy()],
)

model.fit(
    ds_train,
    epochs=6,
    validation_data=ds_test,
)