前言：
到了要開始處理資料的部分，因為影像資料會有檔案太大或是大小不一的問題，所以都要先預設成固定的格式來模擬訓練

程式碼：
方案一

train = tfds.load('mnist', split='train', as_supervised=True) #訓練資料
test = tfds.load('mnist', split='test', as_supervised=True) #測試資料

def format_image(image, label):
  image = tf.cast(image, dtype=tf.float32)
  image = image / 255.0
  return  image, label

BATCH_SIZE = 32
BUFFER_SIZE = 10000

train_batches = train.cache().shuffle(BUFFER_SIZE).map(format_image).batch(BATCH_SIZE).prefetch(1)
test_batches = test.cache().map(format_image).batch(BATCH_SIZE).prefetch(1)

cache: 將資料全部載入快取記憶體，可加速模型訓練
shuffle: 洗牌以打亂資料順序
map: 使用某個函數來處理資料，這裡用到的是自己寫的 format_image 函數
batch: 將數個資料組成一個批次，這裡一批包含 32 個樣本: (image, label)
prefetch: 在 GPU 或 TPU 訓練資料的過程，預先用 CPU 準備好下一批資料，可加速訓練過程
（TPU）張量處理單元：是一種定製化的 ASIC 晶片，為谷歌的主要產品提供了計算支持，包括翻譯、照片、搜索助理和 Gmail 等，並專門用於機器學習工作負載

方案二

# 資料路徑
DATASET_PATH  = 'D://20210901/Demo1/dogImages'

# 影像大小
IMAGE_SIZE = (224, 224)

# 影像類別數
NUM_CLASSES = 2

# 若 GPU 記憶體不足，可調降 batch size 或凍結更多層網路
BATCH_SIZE = 8

# 凍結網路層數
FREEZE_LAYERS = 2

# Epoch 數
NUM_EPOCHS = 20

# 模型輸出儲存的檔案
WEIGHTS_FINAL = 'model-resnet50-final.h5'

# 透過 data augmentation 產生訓練與驗證用的影像資料
train_datagen = ImageDataGenerator(rotation_range=40,
                                   width_shift_range=0.2,
                                   height_shift_range=0.2,
                                   shear_range=0.2,
                                   zoom_range=0.2,
                                   channel_shift_range=10,
                                   horizontal_flip=True,
                                   fill_mode='nearest')
train_batches = train_datagen.flow_from_directory(DATASET_PATH + '/train',
                                                  target_size=IMAGE_SIZE,
                                                  interpolation='bicubic',
                                                  class_mode='categorical',
                                                  shuffle=True,
                                                  batch_size=BATCH_SIZE)

valid_datagen = ImageDataGenerator()
valid_batches = valid_datagen.flow_from_directory(DATASET_PATH + '/valid',
                                                  target_size=IMAGE_SIZE,
                                                  interpolation='bicubic',
                                                  class_mode='categorical',
                                                  shuffle=False,
                                                  batch_size=BATCH_SIZE)

# 輸出各類別的索引值
for cls, idx in train_batches.class_indices.items():
    print('Class #{} = {}'.format(idx, cls))