tensorflow 自定义训练——eager模式，附带数据集制作

在前边的博客中我使用了tensorflow中kears模块来搭建神经网络，然后使用集成好的方法来进行训练，如model.fit()，从最简洁、最快速的方面来实现了神经网络，但是集成好的api灵活性不够，而且训练耗时比eager模式要多，所以在这里我对自定义训练做一个简单介绍，使用的数据集来源kaggle，链接：https://www.kaggle.com/alxmamaev/flowers-recognition，如果不能下载用这个百度网盘链接：https://pan.baidu.com/s/1bg2981NUwwNZmkcz0w5WLw，提取码：fp34。完整代码在我的github，觉得我写的不错的可以给个star，谢谢。源码链接：https://github.com/JohnLeek/Tensorflow-study，文件名为day7_flowers_tf_data.py

一、数据集制作

1.1 数据集基本情况简介

数据的来源是kaggle的一个花卉分类竞赛，里边总共包含五种花卉分别是，daisy（雏菊）、dandelion（蒲公英）、rose（玫瑰）、sunflower（向日葵）、tuilp（郁金香），总共是4322张图片，但是里边每个花卉图片数量不怎么一样，有的多有的少。

1.2 数据制作

这里的数据集制作我们采用tensorflow2.0中提供的data模块，根据我自己测试的结果用tf提供的模块制作数据集是比较高效的，下一篇博客中我会介绍两到三种数据集制作方法。

首先我们导入所需要的所有包

import glob
import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Conv2D,BatchNormalization,MaxPool2D,Dropout,Dense,Flatten
import numpy as np

然后将数据集拷贝到项目工程下

忽略其他文件夹（这是我平时写着玩的一些模型，还有数据集，大家看flowers文件夹就好了）

文件路径

path = './flowers/*/*.jpg'

使用glob包来获得所有图片路径

all_image_path = glob.glob(path)

部分文件路径展示（这里为了方便展示用的jupyter，但是项目用的是pycharm）

到这里文件路径就获取完毕接下来就是将花卉名称转化为标签，我这里的对应规则是这样的daisy（雏菊）->0、dandelion（蒲公英࿰