Python tf.keras.layers.experimental.preprocessing.PreprocessingLayer.adapt用法及代码示例

用法

adapt(
    data, batch_size=None, steps=None
)

使预处理层的状态适合正在传递的数据。

在层上调用adapt 后，预处理层的状态在训练期间不会更新。为了使预处理层在任何分布上下文中高效，它们对于调用该层的任何已编译 tf.Graph 保持不变。这不会影响每个层仅调整一次时的层使用，但如果您多次调整层，则需要注意重新编译任何已编译的函数，如下所示：

• 如果要将预处理层添加到 keras.Model ，则需要在每次后续调用 adapt 之后调用 model.compile 。
• 如果您在 tf.data.Dataset.map 中调用预处理层，则应在每个 adapt 之后在输入 tf.data.Dataset 上再次调用 map。
• 如果您使用 tf.function 直接调用预处理层，则需要在每次后续调用 adapt 后再次在可调用对象上调用 tf.function 。

tf.keras.Model 具有多个适应的示例：

layer = tf.keras.layers.Normalization(
    axis=None)
layer.adapt([0, 2])
model = tf.keras.Sequential(layer)
model.predict([0, 1, 2])
array([-1.,  0.,  1.], dtype=float32)
layer.adapt([-1, 1])
model.compile() # This is needed to re-compile model.predict!
model.predict([0, 1, 2])
array([0., 1., 2.], dtype=float32)

tf.data.Dataset 具有多个适应的示例：

layer = tf.keras.layers.Normalization(
    axis=None)
layer.adapt([0, 2])
input_ds = tf.data.Dataset.range(3)
normalized_ds = input_ds.map(layer)
list(normalized_ds.as_numpy_iterator())
[array([-1.], dtype=float32),
 array([0.], dtype=float32),
 array([1.], dtype=float32)]
layer.adapt([-1, 1])
normalized_ds = input_ds.map(layer) # Re-map over the input dataset.
list(normalized_ds.as_numpy_iterator())
[array([0.], dtype=float32),
 array([1.], dtype=float32),
 array([2.], dtype=float32)]

adapt() 仅用作计算层状态的单个机器实用程序。要分析无法容纳在单台机器上的数据集，请参阅用于多机的 Tensorflow 变换 map-reduce 解决方案。