我创建了一个这样的数据生成器：
# Create test_dataset
test_dataset = \
tf.keras.preprocessing.image_dataset_from_directory(directory=test_dir,
labels='inferred',
label_mode='int',
class_names=None,
seed=42,
)
# Explore the first batch
for images, labels in test_dataset.take(1):
print(labels)
它返回：
tf.Tensor([5 3 8 3 8 5 7 6 3 8 4 2 4 5 5 4 0 1 0 5 5 2 6 0 7 9 9 0 4 9 6 4], shape=(32,), dtype=int32)
如果我重新运行最后一部分如下：
for images, labels in test_dataset.take(1):
print(labels)
它返回与第一次不同的东西：
tf.Tensor([0 6 2 5 5 7 5 2 7 4 0 5 0 4 6 5 8 7 7 3 5 1 1 9 5 2 6 6 6 6 2 0], shape=(32,), dtype=int32)
如果我重新创建test_dataset和探索它如下：
# Create test_dataset
test_dataset = \
tf.keras.preprocessing.image_dataset_from_directory(directory=test_dir,
labels='inferred',
label_mode='int',
class_names=None,
seed=42,
)
# Explore the first batch
for images, labels in test_dataset.take(1):
print(labels)
它返回与第一次相同的结果：
tf.Tensor([5 3 8 3 8 5 7 6 3 8 4 2 4 5 5 4 0 1 0 5 5 2 6 0 7 9 9 0 4 9 6 4], shape=(32,), dtype=int32)
好吧，我得出的结论是，当我使用该take方法时，批处理会弹出并丢失，并且无法再用于建模和验证等。
我的问题是：
test_dataset.take(1)tf.keras.preprocessing.image_dataset_from_directory对象中的批次时，有什么方法可以不松懈吗？这不是关于丢失批次。函数tf.keras.preprocessing.image_dataset_from_directory有一个参数shuffle，默认值为True。也就是说，数据集在每次迭代时都被打乱。
如果我们深入研究源代码：
if shuffle:
# Shuffle locally at each iteration
dataset = dataset.shuffle(buffer_size=batch_size * 8, seed=seed)
dataset = dataset.batch(batch_size)
正如您所看到的，它创建了一个tf.data具有shuffle方法的对象。Shuffle Methodreshuffle_each_iteration = True默认有一个参数。使用 2nd take 方法，您将再次迭代数据集，导致它再次被打乱。
如果shuffle = False为数据集设置，则数据将按字母数字顺序排序，并且每次迭代时其顺序都不会改变。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句