tf.data を使って NumPy データをロードする

View on TensorFlow.org Run in Google Colab View source on GitHub

このチュートリアルでは、NumPy 配列から tf.data.Dataset にデータを読み込む例を示します。

この例では、MNIST データセットを .npz ファイルから読み込みますが、 NumPy 配列がどこに入っているかは重要ではありません。

設定


from __future__ import absolute_import, division, print_function, unicode_literals

import numpy as np
import tensorflow as tf
import tensorflow_datasets as tfds

.npz ファイルからのロード

DATA_URL = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz'

path = tf.keras.utils.get_file('mnist.npz', DATA_URL)
with np.load(path) as data:
  train_examples = data['x_train']
  train_labels = data['y_train']
  test_examples = data['x_test']
  test_labels = data['y_test']

tf.data.Dataset を使って NumPy 配列をロード

サンプルの配列と対応するラベルの配列があるとします。 tf.data.Dataset.from_tensor_slices にこれら2つの配列をタプルとして入力し、tf.data.Dataset を作成します。

train_dataset = tf.data.Dataset.from_tensor_slices((train_examples, train_labels))
test_dataset = tf.data.Dataset.from_tensor_slices((test_examples, test_labels))

データセットの使用

データセットのシャッフルとバッチ化

BATCH_SIZE = 64
SHUFFLE_BUFFER_SIZE = 100

train_dataset = train_dataset.shuffle(SHUFFLE_BUFFER_SIZE).batch(BATCH_SIZE)
test_dataset = test_dataset.batch(BATCH_SIZE)

モデルの構築と訓練

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer=tf.keras.optimizers.RMSprop(),
                loss=tf.keras.losses.SparseCategoricalCrossentropy(),
                metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
model.fit(train_dataset, epochs=10)
Train for 938 steps
Epoch 1/10
938/938 [==============================] - 3s 3ms/step - loss: 3.1770 - sparse_categorical_accuracy: 0.8839
Epoch 2/10
938/938 [==============================] - 2s 2ms/step - loss: 0.5156 - sparse_categorical_accuracy: 0.9258
Epoch 3/10
938/938 [==============================] - 2s 2ms/step - loss: 0.3795 - sparse_categorical_accuracy: 0.9451
Epoch 4/10
938/938 [==============================] - 2s 2ms/step - loss: 0.3233 - sparse_categorical_accuracy: 0.9547
Epoch 5/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2868 - sparse_categorical_accuracy: 0.9612
Epoch 6/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2675 - sparse_categorical_accuracy: 0.9643
Epoch 7/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2418 - sparse_categorical_accuracy: 0.9681
Epoch 8/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2208 - sparse_categorical_accuracy: 0.9695
Epoch 9/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2143 - sparse_categorical_accuracy: 0.9715
Epoch 10/10
938/938 [==============================] - 2s 2ms/step - loss: 0.1934 - sparse_categorical_accuracy: 0.9748

<tensorflow.python.keras.callbacks.History at 0x7fdfabb28198>
model.evaluate(test_dataset)
157/157 [==============================] - 0s 2ms/step - loss: 0.6499 - sparse_categorical_accuracy: 0.9569

[0.6499144664871123, 0.9569]