vault backup: 2025-02-10 17:27:57

21.01. Programming/Keras/Keras.tensorflow - Dataset.md

@@ -0,0 +1,10 @@
+可以使用 `tensorflow.keras.utils.image_dataset_from_directory` 來建立 dataset。
+dataset 會有 `data_batch` 與 `label_batch` 這兩個 member，分別代表資料與標籤。
+可以用 `dataset.batch(32)` 改變 batch size。
+還有一些其他的有用function:
+- `shuffle(buffer_size)`: 打亂順序，可參考[[Keras.tensorflow - shuffle#^832c8c]]
+- `prefetch(buffer_size)`: 設定預讀的大小
+- `map(callback_func)`: 用 callback_func 來處理資料
+- `take(N)`: 取出第N筆的批次資料，注意這一筆是一個批次資料，裡面可能有32筆資料（或其他數量，看你的 `dataset.batch(N)` 怎麼設定）。
+
+打亂data的方法，請看[[Keras.tensorflow - shuffle]]

21.01. Programming/Keras/Keras.tensorflow - shuffle.md

@@ -0,0 +1,37 @@
+如果想用同時打亂x_train與y_train，可以參考這2個方法。
+
+## 1. 用 `tf.random.shuffle`
+```python
+indices = tf.range(start=0, limit=tf.shape(x_data)[0], dtype=tf.int32)
+idx = tf.random.shuffle(indices)
+x_data = tf.gather(x_data, idx)
+y_data = tf.gather(y_data, idx)
+```
+
+先建立一個跟array一樣大的list，然後打亂它，再用這個已打亂的list當作索引來建立一個新的data list。
+
+## 2. 用 `Dataset.shuffle`
+
+^832c8c
+
+```python
+x_train = tf.data.Dataset.from_tensor_slices(x)
+y_train = tf.data.Dataset.from_tensor_slices(y)
+
+x_train, y_train = x_train.shuffle(buffer_size=2, seed=2), y_train.shuffle(buffer_size=2, seed=2)
+dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
+```
+
+或者
+
+```python
+BF = 2
+SEED = 2
+def shuffling(dataset, bf, seed_number):
+   return dataset.shuffle(buffer_size=bf, seed=seed_number)
+
+x_train, y_train = shuffling(x_train, BF, SEED), shuffling(y_train, BF, SEED)
+dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
+```
+
+概念跟第一點是一樣的，但是這是先轉成 `tf.data.Dataset`，然後把x_train跟y_train都用同樣的seed打亂。

21.01. Programming/Keras/Machine Learning.md

@@ -0,0 +1,14 @@
+
+## 問題分類
+
+|    問題類型    | 啟動函數 |                                    損失函數                                    |                                範例                                |
+|:--------------:|:--------:|:------------------------------------------------------------------------------:|:------------------------------------------------------------------:|
+|    二元分類    | sigmoid  |                       binary_crossentropy（二元交叉熵）                        |                                                                    |
+| 單標籤多元分類 | softmax  | [[categorical_crossentropy]]（分類交叉熵）<br> sparse_categorical_crossentropy | 範例：[[An example that use categorical_crossentropy and softmax]] |
+|   多標籤分類   | sigmoid  |                              binary_crossentropy                               |                                                                    |
+|    回歸求值    |   None   |                                mse（均方誤差）                                 |                                                                    |
+|  回歸求0~1值   | sigmoid  |                            mse或binary_crossentropy                            |                                                                    |
+
+
+## Callback
+- [ReduceLROnPlateau](https://keras.io/api/callbacks/reduce_lr_on_plateau/)

21.01. Programming/Keras/categorical_crossentropy.md

@@ -0,0 +1,3 @@
+- 僅適用於 one-hot 編碼。
+- 如果輸出不是 one-hot，而是整數標籤，也就是直接輸出 0、1、2，而不是一個array（`[0, 0, 0, 1, 0]` 之類），那就需要 sparse_categorical_crossentropy。
+- 範例：[[An example that use categorical_crossentropy and softmax]]