$keys = array_keys($arr['Cool Viski']);
$position = array_search('twoVal', $keys);
if (isset($keys[$position + 1])) {
$keyAfterTwoVal = $keys[$position + 1];
}
Скорость может быть низкой, потому что:
Используя tf.data.Dataset, вы можете создать прямой конвейер, который заставляет данные напрямую перетекать в граф без использования заполнителей. Они быстрые, масштабируемые и имеют ряд функций, с которыми можно поиграть.
with np.load("/var/data/training_data.npy") as data:
features = data["features"]
labels = data["labels"]
# Assume that each row of `features` corresponds to the same row as `labels`.
assert features.shape[0] == labels.shape[0]
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
Некоторые полезные функции:
dataset = dataset.shuffle(buffer_size=10000)
dataset = dataset.batch(32) # Creating batches
dataset = dataset.repeat(num_epochs) # repeat the dataset 'N' times
iterator = dataset.make_one_shot_iterator() # Create a iterator to retrieve batches of data
X, Y = iterator.get_next()
Здесь 32 - размер партии . В вашем случае
dataset = tf.data.Dataset.from_tensor_slices((data, targets))
Следовательно, нет необходимости в заполнителях. Прямой запуск,
session.run( train_op ) # no feed_dict!!