1.作用

• dataset.shuffle作用是將數(shù)據(jù)進(jìn)行打亂操作，傳入?yún)?shù)為buffer_size，改參數(shù)為設(shè)置“打亂緩存區(qū)大小”，也就是說程序會維持一個(gè)buffer_size大小的緩存，每次都會隨機(jī)在這個(gè)緩存區(qū)抽取一定數(shù)量的數(shù)據(jù)
• dataset.batch作用是將數(shù)據(jù)打包成batch_size
• dataset.repeat作用就是將數(shù)據(jù)重復(fù)使用多少epoch
  

2.各種不同順序的區(qū)別

示例代碼（以下面代碼作為說明）：

# -*- coding: utf-8 -*-
import tensorflow as tf
import numpy as np
 
dataset = tf.data.Dataset.from_tensor_slices(np.arange(20).reshape((4, 5)))
 
dataset = dataset.shuffle(100)
dataset = dataset.batch(3)
dataset = dataset.repeat(2)
 
sess = tf.Session()
 
iterator = dataset.make_one_shot_iterator()
input_x = iterator.get_next()
 
print(sess.run(input_x))
print(sess.run(input_x))
print(sess.run(input_x))
print(sess.run(input_x))

1.順序1（訓(xùn)練過程最常用的順序）

先看結(jié)果：

解釋：相當(dāng)于把所有數(shù)據(jù)先打亂，然后打包成batch輸出，整體數(shù)據(jù)重復(fù)2個(gè)epoch

特點(diǎn)：1.一個(gè)batch中的數(shù)據(jù)不會重復(fù)；2.每個(gè)epoch的最后一個(gè)batch的尺寸小于等于batch_size

2.順序2

先看結(jié)果：

解釋：相當(dāng)于把所有數(shù)據(jù)先打亂，再把所有數(shù)據(jù)重復(fù)兩個(gè)epoch，然后將重復(fù)兩個(gè)epoch的數(shù)據(jù)放在一起，最后打包成batch_size輸出

特點(diǎn)：1.因?yàn)榘褦?shù)據(jù)復(fù)制兩份，還進(jìn)行打亂，因此某個(gè)batch數(shù)據(jù)可能會重復(fù)，而且出現(xiàn)重復(fù)數(shù)據(jù)的batch只會是兩個(gè)batch交叉的位置；2.最后一個(gè)batch的尺寸小于等于batch_size

3.順序3

先看結(jié)果：

解釋：相當(dāng)于把所有數(shù)據(jù)先打包成batch，然后把打包成batch的數(shù)據(jù)重復(fù)兩遍，最后再將所有batch打亂進(jìn)行輸出

特點(diǎn)：1.打亂的是batch；2.某些batch的尺寸小于等于batch_size，因?yàn)槭菍atch進(jìn)行打亂，所以這些batch不一定是最后一個(gè)

3.其他組合方式

根據(jù)上面幾種順序，大家可以自己分析其他順序的輸出結(jié)果

到此這篇關(guān)于tensorflow dataset.shuffle、dataset.batch、dataset.repeat順序區(qū)別詳解的文章就介紹到這了,更多相關(guān)tensorflow dataset.shuffle、dataset.batch、dataset.repeat內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論