Python tf.keras.layers.experimental.preprocessing.PreprocessingLayer.adapt用法及代碼示例

用法

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

使預處理層的狀態適合正在傳遞的數據。

在層上調用adapt 後，預處理層的狀態在訓練期間不會更新。為了使預處理層在任何分布上下文中高效，它們對於調用該層的任何已編譯 tf.Graph 保持不變。這不會影響每個層僅調整一次時的層使用，但如果您多次調整層，則需要注意重新編譯任何已編譯的函數，如下所示：

• 如果要將預處理層添加到 keras.Model ，則需要在每次後續調用 adapt 之後調用 model.compile 。
• 如果您在 tf.data.Dataset.map 中調用預處理層，則應在每個 adapt 之後在輸入 tf.data.Dataset 上再次調用 map。
• 如果您使用 tf.function 直接調用預處理層，則需要在每次後續調用 adapt 後再次在可調用對象上調用 tf.function 。

tf.keras.Model 具有多個適應的示例：

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 具有多個適應的示例：

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() 僅用作計算層狀態的單個機器實用程序。要分析無法容納在單台機器上的數據集，請參閱用於多機的 Tensorflow 變換 map-reduce 解決方案。