溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編這次要用代碼詳解tensorflow中dataset.shuffle、dataset.batch、dataset.repeat順序區別，文章內容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。
1.作用
2.各種不同順序的區別
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（訓練過程最常用的順序）
先看結果：
解釋：相當于把所有數據先打亂，然后打包成batch輸出，整體數據重復2個epoch
特點：1.一個batch中的數據不會重復；2.每個epoch的最后一個batch的尺寸小于等于batch_size
2.順序2
先看結果：
解釋：相當于把所有數據先打亂，再把所有數據重復兩個epoch，然后將重復兩個epoch的數據放在一起，最后打包成batch_size輸出
特點：1.因為把數據復制兩份，還進行打亂，因此某個batch數據可能會重復，而且出現重復數據的batch只會是兩個batch交叉的位置；2.最后一個batch的尺寸小于等于batch_size
3.順序3
先看結果：
解釋：相當于把所有數據先打包成batch，然后把打包成batch的數據重復兩遍，最后再將所有batch打亂進行輸出
特點：1.打亂的是batch；2.某些batch的尺寸小于等于batch_size，因為是對batch進行打亂，所以這些batch不一定是最后一個
3.其他組合方式
根據上面幾種順序，大家可以自己分析其他順序的輸出結果
看完這篇關于用代碼詳解tensorflow中dataset.shuffle、dataset.batch、dataset.repeat順序區別的文章，如果覺得文章內容寫得不錯的話，可以把它分享出去給更多人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
