文件名称：tensorflow-recorder:TFRecorder使从包含图像或结构化数据的Pandas DataFrames和CSVs文件轻松创建TensorFlow记录（TFRecords）
文件大小：3.51MB
文件格式：ZIP
更新时间：2024-04-08 19:02:09
tensorflow image-processing apache-beam preprocessing tfrecords
TFRecorder TFRecorder可以很容易地创建从或CSV文件。 TFRecord读取数据，使用对其进行，使用和可选的将其存储为TFRecord格式。最重要的是，TFRecorder无需用户编写Apache Beam管道或TensorFlow Transform代码即可执行此操作。 TFRecorder可以将任何Pandas DataFrame或CSV文件转换为TFRecords。如果您的数据包括图像，TFRecorder也可以将这些图像序列化为TFRecords。默认情况下，TFRecorder希望您的DataFrame或CSV文件与Google Cloud Platform的AutoML Vision产品使用的格式相同，但是您也可以使用TFRecorder的灵活模式系统来指定输入数据模式。 为什么选择TFRecorder？ 使用TFRecord存储格式对于优化机器学习管道
【文件预览】：
tensorflow-recorder-main
----.github()
--------PULL_REQUEST_TEMPLATE.md(1KB)
--------ISSUE_TEMPLATE()
--------workflows()
----RELEASE.md(905B)
----.pylintrc(14KB)
----requirements.txt(328B)
----tfrecorder()
--------beam_image.py(3KB)
--------dataset_loader.py(4KB)
--------utils_test.py(4KB)
--------dataset_loader_test.py(3KB)
--------input_schema_test.py(2KB)
--------beam_image_test.py(4KB)
--------beam_pipeline_test.py(7KB)
--------utils.py(4KB)
--------input_schema.py(3KB)
--------__init__.py(816B)
--------types.py(2KB)
--------converter_test.py(13KB)
--------beam_pipeline.py(10KB)
--------cli.py(891B)
--------test_data()
--------test_utils.py(2KB)
--------converter.py(11KB)
--------accessor_test.py(1KB)
--------accessor.py(3KB)
--------constants.py(790B)
----LICENSE(11KB)
----samples()
--------Loading-a-TF-Dataset.ipynb(3KB)
--------data.csv(417B)
--------Basic-TFRecorder-Usage.ipynb(58KB)
--------Convert-structured-data.ipynb(11KB)
--------Using-TFRecorder-with-Google-Cloud-Dataflow.ipynb(3KB)
--------Convert-image-directory.ipynb(5KB)
----setup.py(2KB)
----README.md(10KB)
----Makefile(326B)
----docs()
--------contributing.md(1KB)
--------code-of-conduct.md(3KB)
----.gitignore(124B)
----.coveragerc(77B)