꽃 데이터 세트가 있다고 가정해 보겠습니다. 꽃 데이터 세트는 기본적으로 꽃 데이터 세트에 연결되는 Google API를 사용하여 다운로드할 수 있습니다. 'get_file' 메소드를 사용하여 API를 매개변수로 전달할 수 있습니다. 이 작업이 완료되면 데이터가 환경으로 다운로드됩니다.
'matplotlib' 라이브러리를 사용하여 시각화할 수 있습니다. 'imshow' 메서드는 콘솔에 이미지를 표시하는 데 사용됩니다.
자세히 알아보기: TensorFlow란 무엇이며 Keras가 TensorFlow와 함께 신경망을 생성하는 방법은 무엇입니까?
모든 레이어에 정확히 하나의 입력 텐서와 하나의 출력 텐서가 있는 일반 레이어 스택으로 작업하는 데 사용되는 순차 모델을 구축하는 데 도움이 되는 Keras Sequential API를 사용할 것입니다.
이미지 분류기는 keras.Sequential 모델을 사용하여 생성되고 데이터는 preprocessing.image_dataset_from_directory를 사용하여 로드됩니다. 데이터는 디스크에서 효율적으로 로드됩니다. 과적합이 식별되고 이를 완화하기 위한 기술이 적용됩니다. 이러한 기술에는 데이터 증대 및 드롭아웃이 포함됩니다. 3700개의 꽃 이미지가 있습니다. 이 데이터셋은 5개의 하위 디렉터리를 포함하며 클래스당 하나의 하위 디렉터리가 있습니다. 그들은:
- 데이지,
- 민들레,
- 장미,
- 해바라기, 그리고
- 튤립.
Google Colaboratory를 사용하여 아래 코드를 실행하고 있습니다. Google Colab 또는 Colaboratory는 브라우저를 통해 Python 코드를 실행하는 데 도움이 되며 구성이 필요 없고 GPU(그래픽 처리 장치)에 대한 무료 액세스가 필요합니다. Colaboratory는 Jupyter Notebook을 기반으로 구축되었습니다.
print("Visualizing the dataset")
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 10))
for images, labels in train_ds.take(1):
for i in range(6):
ax = plt.subplot(3, 3, i + 1)
plt.imshow(images[i].numpy().astype("uint8"))
plt.title(class_names[labels[i]])
plt.axis("off")
for image_batch, labels_batch in train_ds:
print(image_batch.shape)
print(labels_batch.shape)
break 코드 크레딧:https://www.tensorflow.org/tutorials/images/classification
출력
Visualizing the dataset (32, 180, 180, 3) (32,)
설명
- 적합 방법을 사용하여 데이터가 훈련되면 데이터 세트를 수동으로 반복하여 이미지 배치를 검색할 수도 있습니다.
- 이 데이터는 콘솔에 표시됩니다.
- image_batch는 (32, 180, 180, 3) 형태의 텐서입니다.
- 180x180x3 모양의 이미지 32개로 구성된 배치입니다.
- label_batch는 (32,) 모양의 텐서이며 32개의 이미지에 해당하는 레이블입니다.
- image_batch 및 labels_batch 텐서에서 .numpy()를 호출하여 numpy.ndarray로 변환할 수 있습니다.