DL4J中文文件/模型/迭代器

阿新 • • 發佈：2018-11-19

什麼是迭代器?

資料集迭代器允許將資料輕鬆載入到神經網路中，並幫助組織批處理、轉換和掩碼。包含在Eclipse DL4J中的迭代器有助於使用者提供的資料，或者自動載入公共的基準資料集如MNIST和IRIS。

用法

對於大多數用例，初始化迭代器和傳遞一個引用到MultiLayerNetwork或ComputationGraph 的fit()方法是開始訓練任務所需的全部內容：

MultiLayerNetwork model = new MultiLayerNetwork(conf);
model.init();

// 傳入一個 MNIST 資料集迭代器，自動獲取資料 
DataSetIterator mnistTrain = new MnistDataSetIterator(batchSize, true, rngSeed);
net.fit(mnistTrain);

許多其他方法也接受迭代器來完成任務，例如評估：

// 直接傳遞給神經網路
DataSetIterator mnistTest = new MnistDataSetIterator(batchSize, false, rngSeed);
net.eval(mnistTest);

//使用一個評估類
Evaluation eval = new Evaluation(10); //建立一個帶有10個可能分類的評估物件
while(mnistTest.hasNext()){
    DataSet next = mnistTest.next();
    INDArray output = model.output(next.getFeatureMatrix()); //得到網路預測
    eval.eval(next.getLabels(), output); //檢查對真實分類的預測
}

可用的迭代器

CifarDataSetIterator （CIFAR10資料集迭代器）

[原始碼]

CifarDataSetIterator是CIFAR10資料集的迭代器，10個分類，32x32影象 3通道（RGB）還支援用於基於Sergey Zagoruyko示例https://github.com/szagoruyko/cifar.torch 對資料集進行歸一化的特殊前處理器。

CifarDataSetIterator

public CifarDataSetIterator(int batchSize, int numExamples)

用建立器返回的batchSize與numExamples載入圖片。

public DataSet next(int batchSize)

用建立器返回的batchSize、numExamples與version載入圖片。

EmnistDataSetIterator （EMNIST 資料集迭代器）

[原始碼]

EMNIST 資料集迭代器

COMPLETE: 也稱為 “ByClass” 分割。共計814,255 個示例(訓練 + 測試)， 62 個分類
MERGE: 也稱為“ByMerge”分割。共計814255個示例。47個不平衡分類。對於字母C、I、J、K、L、M、O、P、S、U、V、W、X、Y和Z，為每個字母（而不是2個）將小寫字母和大寫字母（難以區分）組合為一個類
BALANCED: 總計 131,600 示例。 47 個分類 (每個分類都有相同數量的例子)
LETTERS: 總計145,600 示例。 26 個平衡分類。
DIGITS: 總計 280,000 示例。 10 個平衡分類。

檢視: https://www.nist.gov/itl/iad/image-group/emnist-dataset 和 https://arxiv.org/abs/1702.05373

EmnistDataSetIterator

public EmnistDataSetIterator(Set dataSet, int batch, boolean train) throws IOException

EMNIST 資料集有多個不同的子集。詳見 {- link EmnistDataSetIterator}。

numExamplesTrain

public static int numExamplesTrain(Set dataSet)

基於指定的RNG種子建立具有隨機混洗資料的EMNIST迭代器

引數 dataSet 用於返回的資料集
引數 batchSize批量大小
引數 train 如果為 true: 使用訓練集。如果 false: 使用測試集
引數 seed Random number generator seed

numExamplesTest

public static int numExamplesTest(Set dataSet)

獲取指定子集的測試示例數。

引數 dataSet 獲取的子集
返回指定子集的示例數

numLabels

public static int numLabels(Set dataSet)

獲取指定子集的標籤數量

引數 dataSet 要獲取的子集
返回指定子集的標籤數

isBalanced

public static boolean isBalanced(Set dataSet)

在訓練集中標籤是否平衡（即：每個標籤的例項數是否相等）？

返回true或false

UciSequenceDataSetIterator （UCI資料庫是加州大學歐文分校(University of CaliforniaIrvine)提出的用於機器學習的資料庫，這個資料庫目前共有335個數據集，其數目還在不斷增加，UCI資料集是一個常用的標準測試資料集。）

[原始碼]

UCI合成控制圖時間序列資料集。該資料集可用於六類單變數時間序列的分類：正常，週期性，遞增趨勢，遞減趨勢，向上移位，向下移位

詳情: https://archive.ics.uci.edu/ml/datasets/Synthetic+Control+Chart+Time+Series
資料: https://archive.ics.uci.edu/ml/machine-learning-databases/synthetic_control-mld/synthetic_control.data
圖片: https://archive.ics.uci.edu/ml/machine-learning-databases/synthetic_control-mld/data.jpeg

UciSequenceDataSetIterator

public UciSequenceDataSetIterator(int batchSize)

用指定的小批量建立訓練集的迭代器。RNG種子123隨機化

引數 batchSize 小批量大小

LFWDataSetIterator （LFW資料集是為了研究非限制環境下的人臉識別問題而建立。這個集合包含超過13，000張人臉影象（全部來自於internet，而不是實驗室環境））

[原始碼]

LFW 迭代器 - 來自非限制環境中的標註人臉
檢視 http://vis-www.cs.umass.edu/lfw/
總計13233圖片，5749 個分類。

LFWDataSetIterator

public LFWDataSetIterator(int batchSize, int numExamples, int[] imgDim, int numLabels, boolean useSubset,
                    PathLabelGenerator labelGenerator, boolean train, double splitTrainTest,
                    ImageTransform imageTransform, Random rng)

建立 LFW 資料特有迭代器

引數 batchSize 示例的批量大小
引數 numExamples 示例總數
引數 imgDim 高度、寬度和通道的陣列
引數 numLabels 示例總數
引數 useSubset 使用LFW資料集的一個子集
引數 labelGenerator 路徑標註生成器使用
引數 train 如果使用訓練值則為true
引數 splitTrainTest 為將要測試的訓練和保留分割資料的百分比
引數 imageTransform 如何轉換圖片
引數 rng 批量洗牌中的要鎖定的隨機數

MnistDataSetIterator （手寫數字資料集迭代器）

[原始碼]

MNIST 資料集迭代器 - 60000 個訓練樣本，10000個測試樣本, 10 個分類。數字有 28x28 畫素與一個通道 (灰度)。
更多詳情檢視 http://yann.lecun.com/exdb/mnist/

IrisDataSetIterator (鳶尾花卉資料集迭代器)

[原始碼]

IrisDataSetIterator: 一個眾所周知的Iris資料集的迭代器。4個特徵，3個標籤類
https://archive.ics.uci.edu/ml/datasets/Iris

IrisDataSetIterator

public IrisDataSetIterator()

public DataSet next()

IrisDataSetIterator 處理遍歷Iris資料集。

see https://archive.ics.uci.edu/ml/datasets/Iris
引數 batch 批量大小
引數 numExamples 示例的總數

TinyImageNetDataSetIterator

[原始碼]

Tiny ImageNet是ImageNet資料庫的子集。TinyImageNet是斯坦福大學CS321N的預設課程挑戰。

Tiny ImageNet有200個分類，每個分類由500個訓練影象組成。

影象是64×64畫素，RGB。

檢視: http://cs231n.stanford.edu/ 和 https://tiny-imagenet.herokuapp.com/

TinyImageNetDataSetIterator

public TinyImageNetDataSetIterator(int batchSize)

用隨機迭代順序（RNG種子固定到123）建立訓練集的迭代器

引數 batchSize 迭代器小批次大小

SequenceRecordReaderDataSetIterator

[原始碼]

序列記錄讀取器資料集迭代器。

給定一個記錄讀取器（和可選的另一個用於標籤的記錄讀取器）生成時間序列（序列）資料集。

支援一對多和多對一型別資料載入的填充（即，具有不同數量的輸入vs）。

SequenceRecordReaderDataSetIterator

public SequenceRecordReaderDataSetIterator(SequenceRecordReader featuresReader, SequenceRecordReader labels,
                    int miniBatchSize, int numPossibleLabels)

建構函式，其中特徵和標籤來自不同的RecordReader（例如，不同的檔案），標籤用於分類。

引數 featuresReader 特徵SequenceRecordReader
引數 labels 標籤: 假設每個時間步的單個值，其中值是0到NoMaulabeleBels-1範圍內的整數。
引數 miniBatchSize 每次呼叫next()的小批次大小
引數 numPossibleLabels 標籤的分類數

hasNext

public boolean hasNext()

是否有下一條資料。

loadFromMetaData

public DataSet loadFromMetaData(RecordMetaData recordMetaData) throws IOException

使用所提供的RecordMetaData將單個序列示例載入到資料集。請注意，一次載入多個例項更為有效率。使用 {- link #loadFromMetaData(List)}

引數 recordMetaData 從中載入的記錄元資料。應該由給定的記錄讀取器產生。
使用指定的示例返回DataSet
載入資料時如果發生錯誤則丟擲IOException

loadFromMetaData

public DataSet loadFromMetaData(List<RecordMetaData> list) throws IOException

使用所提供的RecordMetaData例項載入多個序列示例到資料集。

引數 list從中載入的RecordMetaData例項列表。應該是由提供給SequenceRecordReaderDataSetIterator 構造器的記錄讀取器產生。
用指定的示例返回DataSet
載入資料時如果發生錯誤則丟擲IOException

RecordReaderMultiDataSetIterator （記錄讀取器多資料集迭代器）

[原始碼]

思想：從一個或多個序列/記錄讀取器產生多個輸入和多個輸出。輸入和輸出可以從RecordReader和SequenceRecordReaders列的子集獲得（例如，一些輸入和輸出作為相同記錄/序列中的不同列）；還可以混合不同型別的資料（例如，在同一個RecordReaderMultiDataSetIterator使用RecordReader和SequenceRecordReaders）。

輸入和子集。

RecordReaderMultiDataSetIterator

public RecordReaderMultiDataSetIterator build()

當處理不同長度的時間序列資料時，我們應該如何對齊輸入/標籤時間序列？對於等長度：使用EQUAL_LENGTH進行序列分類：使用ALIGN_END

loadFromMetaData

public MultiDataSet loadFromMetaData(RecordMetaData recordMetaData) throws IOException

使用所提供的RecordMetaData將單個序列示例載入到資料集。請注意，一次載入多個例項更為有效率。使用 {- link #loadFromMetaData(List)}

引數 recordMetaData 從中載入的記錄元資料。應該由給定的記錄讀取器產生。
使用指定的示例返回DataSet
載入資料時如果發生錯誤則丟擲IOException

loadFromMetaData

public MultiDataSet loadFromMetaData(List<RecordMetaData> list) throws IOException

使用所提供的RecordMetaData例項載入多個序列示例到資料集。

引數 list從中載入的RecordMetaData例項列表。應該是由提供給SequenceRecordReaderDataSetIterator 構造器的記錄讀取器產生。
用指定的示例返回DataSet
載入資料時如果發生錯誤則丟擲IOException

RecordReaderDataSetIterator

[原始碼]

DataSet物件以及從各個記錄生成小批量。

示例 1: 影象分類, 批量大小32, 10 個分類

rr.initialize(new FileSplit(new File("/path/to/directory")));

DataSetIterator iter = new RecordReaderDataSetIterator.Builder(rr, 32)
//Label index (first arg): Always value 1 when using ImageRecordReader. For CSV etc: use index of the column
//  that contains the label (should contain an integer value, 0 to nClasses-1 inclusive). Column indexes start
// at 0. Number of classes (second arg): 標籤分類的數量(即10 個用於 MNIST - 10 個用於數字)
.classification(1, nClasses)
.preProcessor(new ImagePreProcessingScaler()) //用於把圖片值從0-255歸一化到0-1
.build()
}

示例 2: 來自CSV的多輸出迴歸, 批量大小 128

rr.initialize(new FileSplit(new File("/path/to/myCsv.txt")));

DataSetIterator iter = new RecordReaderDataSetIterator.Builder(rr, 128)

//指定迴歸 標籤/目標出現的列。注意所有其它列都被當作特徵。列索引從0開始。
.regression(labelColFrom, labelColTo)
.build()
}

RecordReaderDataSetIterator

public RecordReaderDataSetIterator(RecordReader recordReader, int batchSize)

分類構造器:
(a) 標籤索引被假定為最後一個可寫/列，並且
(b) 從 RecordReader.getLabels()中推斷類的數目
注意，如果RecordReader.getLabels()返回NULL，則不會產生輸出標籤。

引數 recordReader 作為資料來源的記錄讀取器
引數 batchSize用於每次 .next() 呼叫的小批次大小

setCollectMetaData

public RecordReaderDataSetIterator(RecordReader recordReader, int batchSize, int labelIndex,int numPossibleLabels)

分類的主要構造器。這將將輸入類索引（在位置labelIndex中，整數值0到numPossibleLabels-1包含）轉換為適當的one-hot輸出/標籤表示。

引數 recordReader 記錄讀取器: 提供資料來源
引數 batchSize 批量大小 (示例數量) 用於輸出資料集物件
引數 labelIndex 標籤 Writable (通常是一個 IntWritable)的索引，由recordReader.next()獲得
引數 numPossibleLabels 分類的數量（可能的標籤）

loadFromMetaData

public DataSet loadFromMetaData(RecordMetaData recordMetaData) throws IOException

使用提供的RealDataMeta將單個示例載入到DataSet。請注意，同時載入多個例項更為有效。使用 {- link #loadFromMetaData(List)}

引數 recordMetaData 用於載入的 RecordMetaData。應該由給定的記錄讀取器產生
返回指定示例的 DataSet
如果載入資料期間發生錯誤則丟擲 IOException

loadFromMetaData

public DataSet loadFromMetaData(List<RecordMetaData> list) throws IOException

使用提供的RealDataMeta例項將多個示例載入到資料集。

引數 list 是用於載入的RecordMetaData 例項列表。應該是由提供給ReadReadReadDeader的建構函式的記錄讀取器生成的
返回指定示例的 DataSet
如果載入資料期間發生錯誤則丟擲 IOException

writableConverter

public Builder writableConverter(WritableConverter converter)

RecordReaderDataSetIterator 的構建類

maxNumBatches

public Builder maxNumBatches(int maxNumBatches)

可選引數，通常不使用。如果設定，則可以用來限制將返回的小批量的最大值（在重置之間）。如果沒有設定，將總是返回儘可能多的小批量，因為有可用的資料。

引數 maxNumBatches 每個epoch / 重置的小批量的最大數值

regression

public Builder regression(int labelIndex)

將其用於單輸出迴歸（即，1輸出/迴歸目標）

引數 labelIndex 包含迴歸目標的列索引（索引從0開始）

regression

public Builder regression(int labelIndexFrom, int labelIndexTo)

將其用於多個輸出迴歸（1個或更多的輸出/迴歸目標）。請注意，所有迴歸目標必須是連續的（即，位置x到y，沒有間隙）。

引數 labelIndexFrom 第一個迴歸目標的列索引（索引開始於0）
引數 labelIndexTo 最後一個迴歸目標的列索引（包括）

classification

public Builder classification(int labelIndex, int numClasses)

這個用於分類

引數 labelIndex 標籤索引。列（從0開始索引）是一個整數的值，而且包括0 到 numClasses-1 的值
引數 numClasses 標籤類別數量 (即資料集中的類別/類數)

preProcessor

public Builder preProcessor(DataSetPreProcessor preProcessor)

可選的引數。允許設定前處理器

引數 preProcessor 是要使用的前處理器

collectMetaData

public Builder collectMetaData(boolean collectMetaData)

當設定為true時：當前示例的元資料將出現在返回的資料集中。預設情況下禁用。

引數 collectMetaData 是否應該收集元資料

WorkspacesShieldDataSetIterator

[原始碼]

這個迭代器分離/遷移來自支援DataSetIterator的資料集，從而提供“安全”資料集。

這通常用於除錯和測試目的，一般不應該由使用者使用。

WorkspacesShieldDataSetIterator

public WorkspacesShieldDataSetIterator(@NonNull DataSetIterator iterator)

引數 iterator 用於分離值的底層迭代器

ExistingDataSetIterator

[原始碼]

ExistingDataSetIterator

public ExistingDataSetIterator(@NonNull Iterator<DataSet> iterator)

注意，在使用此建構函式時，不支援重置。

引數 iterator 用於包裝的迭代器

public DataSet next(int num)

注意，在使用此建構函式時，不支援重置。

引數 iterator 用於包裝的迭代器

引數 labels 字串標籤。可能為空。

CombinedMultiDataSetPreProcessor

[原始碼]

組合構建器中按指定的順序應用的各種多資料集前處理器。

CombinedMultiDataSetPreProcessor

public Builder addPreProcessor(@NonNull MultiDataSetPreProcessor preProcessor)

引數 preProcessor 要新增到要應用的前處理器列表中的前處理器

DataSetFetcher

[原始碼]

用於將資料集載入到記憶體中的低階介面。

這是由DataSetIterator程式用來處理記憶體中載入資料的細節。

AsyncDataSetIterator

[原始碼]

用於DataSetIterator實現的非同步預獲取迭代器包裝器。這將非同步地從基礎迭代器中預獲取指定數量的小批量。

還可以選擇（預設情況下對大多數建構函式啟用）使用迴圈工作間，以避免建立具有堆外記憶體的INDArrays，這些記憶體需要由JVM垃圾收集器清理。

注意，適當的DL4J fit方法會自動使用這個迭代器，因此使用者在擬合網路時不需要手動包裝迭代器。

AsyncDataSetIterator

public AsyncDataSetIterator(DataSetIterator baseIterator)

建立一個預設佇列大小為8的非同步迭代器

引數 baseIterator 底層迭代器用於非同步方式包裝和獲取

public DataSet next(int num)

建立一個預設佇列大小為8的非同步迭代器

引數 baseIterator 底層迭代器用於非同步方式包裝和獲取

引數 queue 佇列大小

inputColumns

public int inputColumns()

資料集的輸入列

return

totalOutcomes

public int totalOutcomes()

資料集的標籤數量

return

resetSupported

public boolean resetSupported()

這個DataSetIterator支援重置嗎？許多DataSetIterator支援重置，但有些不支援。

如果支援重置方法，返回true；否則為false

asyncSupported

public boolean asyncSupported()

這個DataSetIterator是否支援非同步預取多個DataSet物件？大多數DataSetIterator都可以，但是在某些情況下，將此迭代器包裝到執行非同步預取的迭代器中可能沒有意義。例如，對於以下型別的迭代器使用非同步預取是沒有意義的：(a)已經將它們的全部內容儲存在記憶體中的迭代器(b)重複使用特性/標籤陣列的迭代器(因為將來的next()呼叫將覆蓋過去的內容)(c)已經實現某種級別的非同步預取的迭代器（d）返回不同的資料的迭代器，取決於何時呼叫next()方法。

如果來自此迭代器的非同步預取是可用的則返回true；如果非同步預取不應用於此迭代器，則返回false

reset

public void reset()

將迭代器重置為開始。

shutdown

public void shutdown()

我們希望確保，後臺執行緒將具有相同的執行緒->裝置類似，作為主執行緒。

batch

public int batch()

批量大小

return

setPreProcessor

public void setPreProcessor(DataSetPreProcessor preProcessor)

設定前處理器

引數 preProcessor 要設定的前處理器

getPreProcessor

public DataSetPreProcessor getPreProcessor()

返回前處理器，如果定義

return

hasNext

public boolean hasNext()

如果迭代器具有更多元素，則返回true。（換句話說，如果下一個元素返回元素而不是丟擲異常，則返回true）。

如果迭代器具有更多元素，則返回true

public DataSet next()

返回迭代中的下一個元素。

返回迭代中的下一個元素

remove

public void remove()

從基礎集合中移除由迭代器返回的最後一個元素（可選操作）。在每次呼叫next後，這個方法只能被呼叫一次。在除了此方法之外的任何方法迭代過程中，如果底層集合被修改，則迭代器的行為將不被指定。

丟擲 UnsupportedOperationException 如果remove操作不被這個迭代器支援
丟擲 IllegalStateException 如果next方法如果沒有被呼叫，或remove在最後一次呼叫next方法之後已經被呼叫。
implSpec 預設的實現丟擲一個UnsupportedOperationException例項然後不執行任何操作。

FileSplitDataSetIterator

[原始碼]

與檔案列表一起工作的簡單的迭代器。檔案到DataSet轉換將通過提供的FileCallback實現來處理。

FileSplitDataSetIterator

public FileSplitDataSetIterator(@NonNull List<File> files, @NonNull FileCallback callback)

引數 files 用於迭代的檔案列表
引數 callback 載入檔案的回撥

AsyncShieldMultiDataSetIterator

[原始碼]

此包裝器使用現有的MultiDataSetIterator實現，並防止非同步預取。

public MultiDataSet next(int num)

獲取下“Num”個示例。類似於next方法，但返回指定數量的示例。

引數 num 獲取示例數量

setPreProcessor

public void setPreProcessor(MultiDataSetPreProcessor preProcessor)

在每個MultiDataSet返回之前，將前處理器設定到每個MultiDataSet。

引數 preProcessor MultiDataSet的前處理器，可以為空。

resetSupported

public boolean resetSupported()

這個DataSetIterator支援重置嗎？許多DataSetIterator支援重置，但有些不支援。

如果支援重置方法，返回true；否則為false

asyncSupported

public boolean asyncSupported()

這個DataSetIterator是否支援非同步預取多個DataSet物件？

請注意：這個迭代器總是返回false

如果來自此迭代器的非同步預取是支援的返回true；如果非同步預取不應用於此迭代器，則返回false

reset

public void reset()

將迭代器重置為開始狀態。

hasNext

public boolean hasNext()

如果迭代器具有更多元素，則返回true。（換句話說，如果下一個元素返回元素而不是丟擲異常，則返回true）。

如果迭代器具有更多元素，則返回true

public MultiDataSet next()

在迭代中返回下一個元素

在迭代中返回下一個元素

remove

public void remove()

丟擲 UnsupportedOperationException 如果remove操作不被這個迭代器支援
丟擲 IllegalStateException 如果next方法如果沒有被呼叫，或remove在最後一次呼叫next方法之後已經被呼叫。
implSpec 預設的實現丟擲一個UnsupportedOperationException例項然後不執行任何操作。

DataSetIteratorSplitter

[原始碼]

這個迭代器實際上將給定的MultiDataSetIterator分割成訓練和測試部分。也就是說，你有100000個例子。你的批量大小是32。這意味著你有3125個總批次。分割比例為0.7，這將給你2187個訓練批次，和938個測試批次。

請注意：你不能一行中使用測試迭代器兩次。訓練迭代器應該在測試迭代器使用之前被使用。

請注意：如果底層迭代器使用epoch間的隨機化/洗牌，則不能使用此迭代器。

DataSetIteratorSplitter

public DataSetIteratorSplitter(@NonNull DataSetIterator baseIterator, long totalBatches, double ratio)

惟一的構造器

引數 baseIterator - 要被包裝和分割的迭代器
引數 totalBatches - 基礎迭代器中的總批次
引數 ratio -訓練/測試分割比例

getTrainIterator

public DataSetIterator getTrainIterator()

此方法返回訓練迭代器例項。

return

public DataSet next(int i)

此方法返回測試迭代器例項。

return

IteratorMultiDataSetIterator

[原始碼]

按要求獲取指定批次大小。

通常用於Spark訓練，但可用於其他地方。注意：這裡不支援重置方法。

EarlyTerminationMultiDataSetIterator

[原始碼]

建立一個迭代器，一旦小批量.next()返回的數量等於指定的數目這個迭代器即會終止。

注意，對.next(num)的呼叫被計數為返回小批量的呼叫，而不管num的值如何。這實際上將資料限制為這個小批量的指定數量。

EarlyTerminationMultiDataSetIterator

public EarlyTerminationMultiDataSetIterator(MultiDataSetIterator underlyingIterator, int terminationPoint)

建構函式採用迭代器進行包裝，然後對hasNext()呼叫後返回false時的小批量。

引數 underlyingIterator, 進行包裝的迭代器
引數 terminationPoint, 在hasNext()被呼叫後會返回false時的小批量

DoublesDataSetIterator

[原始碼]

對的第一個值是特徵向量，對的第二個值是標籤。支援僅生成2D特徵/標籤

DoublesDataSetIterator

public DoublesDataSetIterator(@NonNull Iterable<Pair<double[], double[]>> iterable, int batchSize)

引數 iterable 來自源資料的迭代
引數 batchSize 生成資料集物件的批處理大小

MultipleEpochsIterator

[原始碼]

用於在資料集上進行多次傳遞的資料集迭代器

使用 MultiLayerNetwork/ComputationGraph.fit(DataSetIterator, int numEpochs) 代替

public DataSet next(int num)

類似於標準的next方法，但允許返回一個可定製數量的示例。

引數 num 示例數量
返回下一條資料

inputColumns

public int inputColumns()

資料集的輸入列

return

totalOutcomes

public int totalOutcomes()

資料集的標籤數量

return

reset

public void reset()

將迭代器重置為開始。

batch

public int batch()

批量大小

return

hasNext

public boolean hasNext()

如果迭代器具有更多元素，則返回true。（換句話說，如果下一個元素返回元素而不是丟擲異常，則返回true）。

如果迭代器具有更多元素，則返回true

remove

public void remove()

丟擲 UnsupportedOperationException 如果remove操作不被這個迭代器支援
丟擲 IllegalStateException 如果next方法如果沒有被呼叫，或remove在最後一次呼叫next方法之後已被呼叫。

INDArrayDataSetIterator

[source]

對的第一個值是特徵向量，對的第二個值是標籤。

INDArrayDataSetIterator

public INDArrayDataSetIterator(@NonNull Iterable<Pair<INDArray, INDArray>> iterable, int batchSize)

引數 iterable 來自源資料的迭代
引數 batchSize 生成資料集物件的批處理大小

EarlyTerminationDataSetIterator

[原始碼]

建立一個迭代器，一旦小批量.next()返回的數量等於指定的數目這個迭代器即會終止。

注意，對.next(num)的呼叫被計數為返回小批量的呼叫，而不管num的值如何。這實際上將資料限制為這個小批量的指定數量。

EarlyTerminationDataSetIterator

public EarlyTerminationDataSetIterator(DataSetIterator underlyingIterator, int terminationPoint)

建構函式採用迭代器進行包裝，然後對hasNext()呼叫後返回false時的小批量。

引數 underlyingIterator, 進行包裝的迭代器
引數 terminationPoint, 在hasNext()被呼叫後會返回false時的小批量

ReconstructionDataSetIterator

[原始碼]

包裝資料集迭代器，設定第一個（特徵矩陣）為標籤。

public DataSet next(int num)

類似於標準的next方法，但允許返回一個可定製數量的示例。

引數 num 示例數量
返回下一條資料

inputColumns

public int inputColumns()

資料集的輸入列

return

totalOutcomes

public int totalOutcomes()

資料集的標籤數量

return

reset

public void reset()

重置迭代器到開始狀態

batch

public int batch()

批量大小

return

hasNext

public boolean hasNext()

如果迭代器具有更多元素，則返回true。（換句話說，如果下一個元素返回元素而不是丟擲異常，則返回true）。

如果迭代器具有更多元素，則返回true

public DataSet next()

返回迭代中的下一個元素

返回迭代中的下一個元素

remove

public void remove()

丟擲 UnsupportedOperationException 如果remove操作不被這個迭代器支援
丟擲 IllegalStateException 如果next方法如果沒有被呼叫，或remove在最後一次呼叫next方法之後已被呼叫。

JointMultiDataSetIterator

[原始碼]

這個資料集迭代器將多個DataSetIterators組合為1個MultiDataSetIterator。來自每個迭代器的值以每個示例為基礎進行連線——即，來自每個資料集的值被組合為用於多輸入神經網路的不同特徵陣列。標籤只能來自底層DataSetIteartor之一（如果outcome是>=0）或來自所有迭代器（如果outcome是<0）

JointMultiDataSetIterator

public JointMultiDataSetIterator(DataSetIterator... iterators)

引數 iterators 包裝過的基礎迭代器

public MultiDataSet next(int num)

類似於標準的next方法，但允許返回一個可定製數量的示例。

引數 num 示例數量
返回下一條資料

setPreProcessor

public void setPreProcessor(MultiDataSetPreProcessor preProcessor)

在每個MultiDataSet返回之前，將前處理器設定到每個MultiDataSet。

引數 preProcessor MultiDataSet的前處理器，可以為空。

getPreProcessor

public MultiDataSetPreProcessor getPreProcessor()

如果先前設定了MultiDataSetPreProcessor，則獲取MultiDataSetPreProcessor。如果未設定前處理器，則返回NULL

返回 Preprocessor

resetSupported

public boolean resetSupported()

這個DataSetIterator支援重置嗎？許多DataSetIterator支援重置，但有些不支援。

如果支援重置方法，返回true；否則為false

asyncSupported

public boolean asyncSupported()

這個MultiDataSetIterator是否支援非同步預取多個MultiDataSet物件？大多數MultiDataSetIterators都可以，但是在某些情況下，將此迭代器包裝到執行非同步預取的迭代器中可能沒有意義。例如，對於以下型別的迭代器使用非同步預取是沒有意義的：(a)已經將它們的全部內容儲存在記憶體中的迭代器(b)重複使用特性/標籤陣列的迭代器(因為將來的next()呼叫將覆蓋過去的內容)(c)已經實現某種級別的非同步預取的迭代器（d）返回不同的資料的迭代器，取決於何時呼叫next()方法。

如果來自此迭代器的非同步預取是可用的則返回true；如果非同步預取不應用於此迭代器，則返回false

reset

public void reset()

將迭代器重置為開始。

hasNext

public boolean hasNext()

如果迭代器具有更多元素，則返回true。（換句話說，如果下一個元素返回元素而不是丟擲異常，則返回true）。

如果迭代器具有更多元素，則返回true

public MultiDataSet next()

返回迭代中的下一個元素

返回迭代中的下一個元素

remove

public void remove()

請注意：此方法未實現。

丟擲 UnsupportedOperationException 如果remove操作不被這個迭代器支援
丟擲 IllegalStateException 如果next方法如果沒有被呼叫，或remove在最後一次呼叫next方法之後已經被呼叫。
implSpec 預設的實現丟擲一個UnsupportedOperationException例項然後不執行任何操作。

SamplingDataSetIterator （取樣資料集迭代器）

[原始碼]

用於從DataSet中取樣的包裝器。這將從給定的資料集隨機取樣。

SamplingDataSetIterator

public SamplingDataSetIterator(DataSet sampleFrom, int batchSize, int totalNumberSamples)

RandomMultiDataSetIterator

[原始碼]

RandomMultiDataSetIterator：根據某些分佈生成隨機值（或零值、整數、整數等）。

注意：這通常用於測試、除錯和基準測試的目的。

RandomMultiDataSetIterator

public RandomMultiDataSetIterator(int numMiniBatches, @NonNull List<Triple<long[], Character, Values>> features, @NonNull List<Triple<long[], Character, Values>> labels)

引數 numMiniBatches 每一個epoch小批量的數量
引數 features 列表中的每一個三元組指定特徵陣列的形狀、陣列順序和值型別。
引數 labels 列表中的每一個三元組指定標籤陣列的形狀、陣列順序和值型別。

addFeatures

public Builder addFeatures(long[] shape, Values values)

引數 numMiniBatches 每一個epoch小批量的數量

addFeatures

public Builder addFeatures(long[] shape, char order, Values values)

新增一個新的特徵陣列到迭代器

引數 shape特徵形狀
引數 order 陣列的順序（c或f）
引數 values 填充陣列的值

addLabels

public Builder addLabels(long[] shape, Values values)

新增一個新的標籤陣列到迭代器

引數 shape標籤形狀
引數 values 填充陣列的值

addLabels

public Builder addLabels(long[] shape, char order, Values values)

新增一個新的標籤陣列到迭代器

引數 shape標籤形狀
引數 order 陣列的順序（c或f）
引數 values 填充陣列的值

generate

public static INDArray generate(long[] shape, Values values)

生成具有指定形狀的隨機陣列

引數 shape陣列形狀
引數 values 填充陣列的值
返回指定形狀+內容的隨機陣列

generate

public static INDArray generate(long[] shape, char order, Values values)

生成具有指定形狀和順序的隨機陣列

引數 shape陣列形狀
引數 order 陣列的順序（c或f）
引數 values 填充陣列的值
返回指定形狀+內容的隨機陣列

MultiDataSetWrapperIterator

[原始碼]

這個類是簡單的包裝器，它採用單輸入MultiDataSet並將它們轉換為DataSet。

請注意：只有當特徵/標籤/掩碼數量為1時才有效。

MultiDataSetWrapperIterator

public MultiDataSetWrapperIterator(MultiDataSetIterator iterator)

引數 iterator 進行包裝的迭代器

AsyncShieldDataSetIterator

[原始碼]

此包裝器使用你現有的DataSetIterator實現並防止非同步預取。這主要用於除錯目的；通常情況下迭代器對非同步預取是不安全的。

AsyncShieldDataSetIterator

public AsyncShieldDataSetIterator(@NonNull DataSetIterator iterator)

引數 iterator進行包裝的迭代器，禁用非同步預取

public DataSet next(int num)

類似於標準的next方法，但允許返回一個可定製數量的示例。

引數 num 示例數量
返回下一條資料

inputColumns

public int inputColumns()

資料集的輸入列

return

totalOutcomes

public int totalOutcomes()

資料集的標籤數量

return

resetSupported

public boolean resetSupported()

這個DataSetIterator支援重置嗎？許多DataSetIterator支援重置，但有些不支援。

如果支援重置方法，返回true；否則為false

asyncSupported

public boolean asyncSupported()

這個DataSetIterator是否支援非同步預取多個DataSet物件？

請注意：這個迭代器總是返回false

如果來自此迭代器的非同步預取是支援的返回true；如果非同步預取不應用於此迭代器，則返回false

reset

public void reset()

將迭代器重置為開始狀態。

batch

public int batch()

批量大小

return

setPreProcessor

public void setPreProcessor(DataSetPreProcessor preProcessor)

設定一個前處理器

引數 preProcessor 一個用於設定的前處理器

getPreProcessor

public DataSetPreProcessor getPreProcessor()

如果已定義，返回一個前處理器。

return

hasNext

public boolean hasNext()

獲取資料集迭代記錄讀取器標籤

public DataSet next()

返回迭代中下一個元素

返回迭代中下一個元素

remove

public void remove()

丟擲 UnsupportedOperationException 如果remove操作不被這個迭代器支援
丟擲 IllegalStateException 如果next方法如果沒有被呼叫，或remove在最後一次呼叫next方法之後已經被呼叫。
implSpec 預設的實現丟擲一個UnsupportedOperationException例項然後不執行任何操作。

IteratorDataSetIterator

[原始碼]

要求獲取指定批次大小。

通常用於Spark訓練，但可用於其他地方。

注意：這裡不支援重置方法。

FloatsDataSetIterator

[原始碼]

對的第一個值是特徵向量，對的第二個值是標籤。僅支援生成2D特徵/標籤

FloatsDataSetIterator

public FloatsDataSetIterator(@NonNull Iterable<Pair<float[], float[]>> iterable, int batchSize)

引數 iterable 來自源資料的迭代
引數 batchSize 生成資料集物件的批處理大小

CombinedPreProcessor

[原始碼]

這是一個特殊的前處理器，它允許組合多個前處理器，並按它們順序應用到資料中。

CombinedPreProcessor

public CombinedPreProcessor build()

按順序預處理資料集

引數 toPreProcess 預處理的資料集

RandomDataSetIterator

[原始碼]

RandomDataSetIterator：根據某些分佈生成隨機值（或零值、整數、整數等）。

注意：這通常用於測試、除錯和基準測試的目的。

RandomDataSetIterator

public RandomDataSetIterator(int numMiniBatches, long[] featuresShape, long[] labelsShape, Values featureValues, Values labelValues)

引數 numMiniBatches 每個epoch的小批量大小
引數 featuresShape 特徵形狀
引數 labelsShape 標籤形狀
引數 featureValues 特徵值型別
引數 labelValues 檢籤值型別

BaseDatasetIterator

[原始碼]

基線實現，包括對資料獲取器和元資料的一些基本getters的控制。

DummyPreProcessor

[原始碼]

這是一個特殊的虛擬前處理器，它什麼也不做。

preProcess

public void preProcess(DataSet toPreProcess)

預處理資料集

引數 toPreProcess 用於預處理的資料集

MultiDataSetIteratorSplitter

[原始碼]

這個迭代器實際上將給定的多資料報器分割成訓練和測試部分。也就是說，你有100000個例子。你的批量是32。這意味著你有3125個總批次。分割比例0.7，這將給你2187個訓練批次，和938個測試批次。

請注意：你不能在一行中使用測試迭代器兩次。在測試迭代器使用之前使用訓練迭代器。

請注意：如果底層迭代器在epoch之間使用隨機化/洗牌，則不能使用此迭代器。

MultiDataSetIteratorSplitter

public MultiDataSetIteratorSplitter(@NonNull MultiDataSetIterator baseIterator, long totalBatches, double ratio)

引數 baseIterator - 要被包裝和分割的迭代器

引數 totalBatches - 基礎迭代器中的批次總數。此值將用於確定測試/訓練批次的數量。
引數 ratio -此值將用作分割器。應介於0＞x＜1之間。也就是說，如果提供值0.7，那麼總示例的70%將用於訓練，總示例的30%將用於測試

getTrainIterator

public MultiDataSetIterator getTrainIterator()

此方法返回訓練迭代器例項。

return

public MultiDataSet next(int num)

類似於標準的next方法，但允許返回一個可定製數量的示例。

引數 num 示例數量
返回下一條資料

AsyncMultiDataSetIterator

[原始碼]

用於MultiDataSetIterator實現的非同步預獲取迭代器包裝器。這將非同步地從基礎迭代器中預獲取指定數量的小批量。

還可以選擇（預設情況下對大多數建構函式啟用）使用迴圈工作間，以避免建立具有堆外記憶體的INDArrays，這些記憶體需要由JVM垃圾收集器清理。

注意，適當的DL4J fit方法會自動使用這個迭代器，因此使用者在擬合網路時不需要手動包裝迭代器。

public MultiDataSet next(int num)

類似於標準的next方法，但允許返回一個可定製數量的示例。

引數 num 示例數量
返回下一條資料

setPreProcessor

public void setPreProcessor(MultiDataSetPreProcessor preProcessor)

在每個MultiDataSet返回之前，將前處理器設定到每個MultiDataSet。

引數 preProcessor MultiDataSet的前處理器，可以為空。

resetSupported

public boolean resetSupported()

這個DataSetIterator支援重置嗎？許多DataSetIterator支援重置，但有些不支援。

如果支援重置方法，返回true；否則為false

asyncSupported

public boolean asyncSupported()

如果來自此迭代器的非同步預取是可用的則返回true；如果非同步預取不應用於此迭代器，則返回false

reset

public void reset()

將迭代器重置為開始。

shutdown

public void shutdown()

我們希望確保，後臺執行緒將具有相同的執行緒->裝置類似，作為主執行緒。

hasNext

public boolean hasNex

 
 
              
           
              
              
            
            相關推薦
			   
            
            
            
 

    

    
    DL4J中文文件/模型/迭代器
       
 
 什麼是迭代器? 
 資料集迭代器允許將資料輕鬆載入到神經網路中，並幫助組織批處理、轉換和掩碼。包含在Eclipse DL4J中的迭代器有助於使用者提供的資料，或者自動載入公共的基準資料集如MNIST和IRIS。 
 用法 
 對於大多數用例，初始化迭代器和傳遞一個引用到MultiLayerNetwo 

  
 

    

    
    DL4J中文文件/模型/自編碼器
       
 
 什麼是自編碼器? 
 自編碼器是用於無監督學習的神經網路。Eclipse DL4J支援某些自動編碼器層，如變分自編碼器。 
 受限波爾滋曼機在哪? 
 0.9.x版本已不再支援受限波爾滋曼機了，對於多數機器學習問題它們不再是最好的選擇了。 
 支援的層 
 
 AutoEncoder（自編碼器） 
 

  
 

    

    
    DL4J中文文件/模型/多層網路
       
 
 為什麼用多層網路? 
 MultiLayerNetwork類是Eclipse DL4J中可用的最簡單的網路配置API。該類對於不需要複雜和分支的網路圖的初學者或使用者很有用。 
 如果你正在建立複雜的損失函式、使用圖頂點或執行類似如三重網路的高階訓練，則不希望使用MultiLayerNetwork配 

  
 

    

    
    DL4J中文文件/模型/卷積
       
 
 什麼是卷積神經網路? 
 神經網路配置中的每一層表示隱藏單元的單元。當層堆疊在一起時，它們代表了一個深度神經網路。 
 可用的層 
 
 Convolution1D （一維卷積） 
 [原始碼] 
 一維卷積層。形狀期望的輸入啟用[小批量，通道，序列長度] 
 
 Convolution2D（二維卷 

  
 

    

    
    DL4J中文文件/模型/計算圖
       
 
 用計算圖構建複雜網路架構 
 本頁描述瞭如何使用 DL4J的計算圖功能來構建更復雜的網路。 
 內容 
 
  計算圖概述 
  計算圖：一些用例 
  配置一個計算圖網路 
   
    圖頂點型別  
    示例1：具有跳過連線的迴圈網路 
    示例2：多個輸入和合並頂點 
  

  
 

    

    
    DL4J中文文件/模型/自定義層
       
 
 編寫自定義層 
 有兩個元件可新增自定義層: 
 
  新增層配置類: 擴充套件 org.deeplearning4j.nn.conf.layers.Layer 
  新增層實現類: 實現 org.deeplearning4j.nn.api.Layer 
 
 配置層（以上（1） 

  
 

    

    
    DL4J中文文件/模型/監聽器
       
 
 什麼是監聽器? 
 監聽器允許使用者在Eclipse DL4J中“掛鉤”到某些事件中。這允許你收集或列印對訓練等任務有用的資訊。例如，一個ScoreIterationListener允許你從神經網路的輸出層列印訓練分數。 
 用法 
 要將一個或多個監聽器新增到一個多層網路或計算圖中，請使用addL 

  
 

    

    
    DL4J中文文件/模型/層
       
 
 什麼是層? 
 神經網路配置中的每一層表示隱藏單元的單元。當層堆疊在一起時，它們代表了一個深度神經網路。 
 使用層 
 在Eclipse DL4J中可用的所有層都可以用在多層網路或計算圖中。當配置一個神經網路時，你傳遞層配置，網路會為你例項化該層。 
 層VS頂點 
 如果你正在配置諸如Incep 

  
 

    

    
    DL4J中文文件/模型/頂點
       
 
 頂點是什麼? 
 在Eclipse DL4J中，頂點是在計算圖中充當節點的一種層。它可以接受多個輸入，提供多個輸出，並且可以幫助構建流行的網路，如InceptionV4。 
 可用的類 
 
 L2NormalizeVertex 
 [原始碼] 
 L2NormalizeVertex 在單個輸入上執 

  
 

    

    
    DL4J中文文件/模型/模型動物園
       
 
 可用模型 
 
 AlexNet 
 [原始碼] 
 AlexNet 
 Dl4J的AlexNet模型解釋基於原始論文《基於深度卷積神經網路的ImageNet分類》和引用的imagenet示例程式碼。 
 參考文獻： 
 http://papers.nips.cc/paper/4824-imagen 

  
 

    

    
    DL4J中文文件/模型/RNN（迴圈神經網路）
       
 
 DL4J中的迴圈神經網路 
 本文概述了在DL4J中如何使用迴圈神經網路的具體訓練特徵和實用性。本文假定對迴圈神經網路及其使用有一定了解，而不是對遞迴神經網路的介紹，並且假定你對它們的使用和術語有一些熟悉。 
 內容 
 
  基礎：資料和網路配置 
  RNN訓練特徵 
   
    通過時間截 

  
 

    

    
    DL4J中文文件/模型/模型持久化
       
 
 神經網路的儲存與載入 
 ModelSerializer（模型序列化器）是一個處理載入和儲存模型的類。通過連結顯示的示例中儲存模型有兩種方法。第一個例子儲存了一個正常的多層網路，第二個例子儲存了一個計算圖。 
 下面是一個基本示例，其中包含使用ModelSerializer類儲存計算圖的程式碼，以及 

  
 

    

    
    DL4J中文文件/模型/動物園用法
       
 
 關於DL4J模型動物園 
 DL4J具有可直接從DL4J訪問和例項化的本地模型動物園。模型動物園還包括用於不同資料集的預訓練權重，這些資料集是自動下載的，並使用校驗總和機制檢查完整性。 
 如果你想使用新的模型動物園，你需要新增它作為依賴項。Maven POM將新增以下內容： 
 <depen 

  
 

    

    
    DL4J中文文件/模型/動物園模型
      
                可用模型

AlexNet

[原始碼]

AlexNet

Dl4J的AlexNet模型解釋基於原始論文《基於深度卷積神經網路的ImageNet分類》和引用的imagenet示例程式碼。

參考文獻：



在DL4J中建立基於可用功能的模型，註釋指示哪裡是等待增強的間隙。 

  
 

    

    
    DL4J中文文件/語言處理/Doc2Vec
       
 
 在DL4J中的Doc2Vec, 或段落向量 
 Doc2Vec的主要目的是將任意文件與標籤關聯，因此需要標籤。Doc2Vec是Word2Vec的一個擴充套件，它學習關聯標籤和單詞，而不是用單詞關聯單詞。DL4J實現它的意圖是為了服務於Java、Scala和Culjule社群。 
 第一步是提出一個表 

  
 

    

    
    DL4J中文文件/語言處理/Word2Vec
       
 
 Word2Vec, Doc2vec & GloVe: 用於自然語言處理的神經詞嵌入 
 內容 
 
  介紹 
  神經詞嵌入 
  有趣的Word2Vec結果    
  給我程式碼 
  Word2Vec 剖析 
  安裝，載入與訓練 
  程式碼示例 
  問題排查 

  
 

    

    
    DL4J中文文件/語言處理/概述
       
 
 DL4J的自然語言處理功能 
 儘管沒有設計成可以與諸如Stanford CoreNLP或NLTK之類的工具相提並論，但DL4J確實包括本文描述的一些核心文字處理工具。 
 DL4J的NLP依賴 ClearTK，一個開源的機器學習和Apache非結構化資訊管理架構的自然語言處理框架，或UI 

  
 

    

    
    DL4J中文文件/語言處理/Vocabulary Cache
       
 
 詞彙快取的工作原理 
 詞彙快取是DL4J中處理通用自然語言任務的機制，包括普通TF-IDF、單詞向量和某些資訊檢索技術。詞彙快取的目標是成為文字向量化的一站式商店，其中封裝了單詞袋和單詞向量等常用的技術。 
 詞彙快取通過倒排索引處理詞、詞統計頻率、倒排文件頻率和文件出現的儲存。InMemoryL 

  
 

    

    
    DL4J中文文件/語言處理/Tokenization
       
 
 什麼是分詞? 
 分詞是將文字分解成單個單詞的過程。單詞視窗也是由片語成。 Word2Vec還可以輸出文字視窗，這些文字視窗包括用於輸入神經網路中的訓練示例，如本文所見。 
 示例 
 下面是一個用DL4J工具進行分詞的例子： 
      //帶有詞形還原，詞性標註，句子分割的分詞
   

  
 

    

    
    DL4J中文文件/語言處理/SentenceIterator
       
 
 句子迭代器 
 SentenceIterator （句子迭代器）用於 Word2vec 和 詞袋 。 
 它將一些文字以向量的形式輸入到神經網路中，也涵蓋了文字處理中的文件概念。 
 在自然語言處理中，文件或句子通常用來封裝演算法應該學習的上下文。

DL4J中文文件/模型/迭代器

什麼是迭代器?

用法

可用的迭代器

CifarDataSetIterator （CIFAR10資料集迭代器）

EmnistDataSetIterator （EMNIST 資料集迭代器）

UciSequenceDataSetIterator （UCI資料庫是加州大學歐文分校(University of CaliforniaIrvine)提出的用於機器學習的資料庫，這個資料庫目前共有335個數據集，其數目還在不斷增加，UCI資料集是一個常用的標準測試資料集。）

LFWDataSetIterator （LFW資料集是為了研究 非限制環境下的人臉識別問題而建立。這個集合包含超過13，000張人臉影象（全部來自於internet，而不是實驗室環境））

MnistDataSetIterator （手寫數字資料集迭代器）

IrisDataSetIterator (鳶尾花卉資料集迭代器)

TinyImageNetDataSetIterator

SequenceRecordReaderDataSetIterator

RecordReaderMultiDataSetIterator （記錄讀取器多資料集迭代器）

RecordReaderDataSetIterator

WorkspacesShieldDataSetIterator

ExistingDataSetIterator

CombinedMultiDataSetPreProcessor

DataSetFetcher

AsyncDataSetIterator

FileSplitDataSetIterator

AsyncShieldMultiDataSetIterator

DataSetIteratorSplitter

IteratorMultiDataSetIterator

EarlyTerminationMultiDataSetIterator

DoublesDataSetIterator

MultipleEpochsIterator

INDArrayDataSetIterator

EarlyTerminationDataSetIterator

ReconstructionDataSetIterator

JointMultiDataSetIterator

SamplingDataSetIterator （取樣資料集迭代器）

RandomMultiDataSetIterator

MultiDataSetWrapperIterator

AsyncShieldDataSetIterator

IteratorDataSetIterator

FloatsDataSetIterator

CombinedPreProcessor

RandomDataSetIterator

BaseDatasetIterator

DummyPreProcessor

MultiDataSetIteratorSplitter

AsyncMultiDataSetIterator

相關推薦

LFWDataSetIterator （LFW資料集是為了研究非限制環境下的人臉識別問題而建立。這個集合包含超過13，000張人臉影象（全部來自於internet，而不是實驗室環境））