افزایش داده ها یک تکنیک اساسی در گردش کار مدرن یادگیری ماشین برای تقویت عملکرد و تعمیم مصنوعی با گسترش مصنوعی اندازه و تغییرپذیری مجموعه داده های آموزشی است. در سال 2025 ، با پیشرفت در چارچوب های یادگیری ماشین ، TensorFlow همچنان ابزاری پیشرو برای اجرای کارآمد و مؤثر برای اجرای داده ها است. این مقاله شما را از طریق مراحل اجرای افزایش داده ها در Tensorflow طی می کند.
چرا افزایش داده ها؟
- جلوگیری از بیش از حد: با معرفی تغییرات ، مدل ها کمتر به یاد سر و صدا می پردازند و در عوض الگوهای معنی دار را می آموزند.
- دقت را بهبود بخشید: داده های افزوده به مدل ها اجازه می دهد تا در داده های غیب بهتر عمل کنند.
- گسترش مجموعه داده های مقرون به صرفه: بدون نیاز به داده های دارای برچسب اضافی ، تقویت تنوع مجموعه داده های آموزش را ضرب می کند.
اجرای افزایش داده ها در Tensorflow
پیش نیازهای
- Tensorflow 2.10+: اطمینان حاصل کنید که آخرین نسخه TensorFlow را از طریق PIP نصب کرده اید:
pip install tensorflow
مرحله 1: واردات کتابخانه های لازم
با وارد کردن Tensorflow و سایر وابستگی ها شروع کنید:
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
مرحله 2: استراتژی افزایش داده های خود را تعریف کنید
با Tensorflow's ImageDataGenerator، می توانید طیف وسیعی از تکنیک های تقویت را مشخص کنید:
augmentation_generator = ImageDataGenerator(
rotation_range=20, # Randomly rotate images by 20 degrees
width_shift_range=0.2, # Shift images horizontally by 20% of their width
height_shift_range=0.2, # Shift images vertically by 20% of their height
shear_range=0.15, # Shear images by 15%
zoom_range=0.2, # Zoom images by 20%
horizontal_flip=True, # Randomly flip images horizontally
fill_mode='nearest' # Fill missing pixels with the nearest mode
)
مرحله 3: مجموعه داده خود را بارگیری و آماده کنید
نحوه نقشه برداری آرایه numpy را در مجموعه داده های tensorflow کشف کنید.
در اینجا نحوه ادغام افزایش در خط لوله داده خود آورده شده است:
train_data = augmentation_generator.flow_from_directory(
'path/to/your/dataset',
target_size=(150, 150),
batch_size=32,
class_mode='binary'
)
مرحله 4: در آموزش مدل خود ادغام شوید
افزایش داده های خود را با فرایند آموزش مدل ترکیب کنید:
model = tf.keras.models.Sequential([
# Define your model architecture
tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(150, 150, 3)),
tf.keras.layers.MaxPooling2D(2, 2),
# Add additional model layers
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(
loss='binary_crossentropy',
optimizer='adam',
metrics=['accuracy']
)
model.fit(
train_data,
steps_per_epoch=100,
epochs=10,
validation_data=validation_data,
validation_steps=50
)
مرحله 5: مدل خود را تجزیه و تحلیل و بهبود بخشید
پس از آموزش مدل خود ، عملکرد آن را ارزیابی کرده و از تکنیک های تجسم برای درک عمیق تر استفاده کنید.
در مورد تکنیک های تجسم مدل TensorFlow بیشتر بدانید.
پایان
افزایش داده ها در سال 2025 ابزاری ارزشمند برای تقویت مدلهای یادگیری عمیق است. با TensorFlow ، اجرای افزایش داده های قوی یکپارچه است و به خوبی در خطوط لوله آموزش ادغام می شود. با تکامل فن آوری های یادگیری ماشین ، به روزرسانی در بهترین شیوه ها در Tensorflow برای به دست آوردن پیشرفت های قابل توجه در عملکرد مدل بسیار مهم است.
برای اطلاعات بیشتر در مورد نحوه عملکرد TensorFlow و نمونه های اضافی ، پست جامع ما را در مورد کارهای چیدمان Tensorflow بررسی کنید.
با استفاده از این تکنیک ها ، شما برای مقابله با مشکلات فزاینده یادگیری ماشین ، مجهز خواهید بود ، و اطمینان حاصل می کنید که مدل های شما برای کاربردهای متنوع در دنیای واقعی قوی و مؤثر هستند.
