tensorflow - 在 Dataset.shuffle() 之后批量部分随机元素
问题描述
我在 TF2.1 中使用 tf.data.Dataset 和 tf.keras 对数据集进行训练。但是我看到了奇怪的行为,即生成的批次并没有像我预期的那样完全随机显示。我的意思是,即使我的数据集有 4 个类,我通常也会在一批中只看到 2 个类的元素。我的代码如下:
def process_train_sample(file_path):
sp = tf.strings.regex_replace(file_path, train_data_dir, '')
cls = tf.math.argmax(tf.cast(tf.math.equal(tf.strings.split(sp, os.path.sep)[0],['A','B','C','D']), tf.int64))
img = tf.io.read_file(file_path)
img = tf.image.decode_jpeg(img, channels=3) # RGB
img = tf.image.resize(img, (224, 224))
img = tf.cast(img, tf.float32)
img = img - np.array([123.68, 116.779, 103.939])
img = img / 255.0
cls = tf.expand_dims(cls, 0)
return img, cls
train_data_list = glob.glob(os.path.join(train_data_dir, '**', '*.jpg'), recursive=True)
train_data_list = tf.data.Dataset.from_tensor_slices(train_data_list)
train_ds = train_data_list.map(process_train_sample, num_parallel_calls=tf.data.experimental.AUTOTUNE)
train_ds = train_ds.shuffle(10000)
train_ds = train_ds.batch(batch_size)
for img, cls in train_ds.take(10):
print('img: ', img.numpy().shape, 'cls: ', cls.numpy())
model.compile(loss='categorical_crossentropy',
optimizer=optimizers.SGD(lr=0.0001, momentum=0.9),
metrics=['categorical_accuracy', 'categorical_crossentropy'])
model.fit(train_ds, epochs=50)
当我在一个有 4 个类的数据集上进行训练时——A、B、C、D,我发现训练精度并没有稳定地增加,而是上下波动。然后我通过在for循环中逐批显示标签来检查我的数据输入管道,发现每个批次只包含来自2个类的元素,而不是4个。似乎数据集没有像我预期的那样被打乱,这可能会导致准确性不会稳步增加。但我看不出我的代码有什么问题。
解决方案
在.shuffle(10 000)
中,10 000
是缓冲区大小,这意味着它将从前 10 000 张图像中采样。由于您有大约 30 000 张图像,这会导致第一批中的图像仅来自第一类和第二类。当您继续训练时,您将从 (1,2,3) 类开始采样,然后仅 (2,3),然后是 (2,3,4),然后是 (3,4),然后是 (3,4, 1),然后是 (4,1),然后是 (4,1,2),然后是 (1,2),然后是 (1,2,3),以此类推。如果您有内存,请尝试将 shuffle 缓冲区大小设置为 30 000,或者如果您没有,请先打乱您的路径列表,然后使用大批量大小。
推荐阅读
- html - 如何释放下拉菜单?
- c# - System.IO.IOException:路径上的共享冲突
- javascript - 如何从数据库 Firestore 存储经纬度
- react-native - 如何在初始 React 本机设置期间修复“ELIFECYCLE”错误
- android - 无法访问“LinkedHashTreeMap”:它是公共的 /*package*/ com.squareup.moshi
- javascript - 在 codeigniter 应用程序中运行 nodejs 应用程序
- docker - 如何在已经存在的 docker 容器上安装 Prometheus 节点导出器?
- node.js - 开玩笑地模拟一个 toPromise 函数 - 得到 .toPromise 不是一个函数
- python - pandas.DataFrame 过滤两个日期之间的数据
- python - 什么是.random。在这个声明中?