Python使用tensorflow读取numpy数据训练DNN模型（手写体识别案例）

本文主要使用tensorflow、numpy、matplotlib、jupyternotebook进行训练
1.导入库

import numpy as np
import tensorflow as tf

2.从npz文件读取numpy数组

#numpy文件地址
filename="./datas/mnist/mnist.npz"
with np.load(filename) as data:
    train_examples=data['x_train']
    train_labels=data['y_train']
    test_examples=data['x_test']
    test_labels=data['y_test']
print(type(train_example),type(train_labels))
print(train_examples.ndim,train_labels.ndim)
print(train_examples.shape,train_labels.shape)
print(train_examples.dtype,train_labels.dtype)
train_examples[1]
train_examples[0].shape
train_labels[0]
import matplotlib.pyplot as plt
plt.imshow(train_examples[0])
plt.show()

3.加载Numpy数组到tf.data.Dataset
tf.data.Dataset.from_tensor_slices可以接收元祖，特征矩阵、标签向量，要求它们行数（样本数）相等，会按行匹配组合

train_dataset=tf.data.Dataset.from_tensor_slices((train_examples,train_labels))
test_dataset=tf.data.Dataset.from_tensor_slices((test_examples,test_labels))
#查看数据集的一个样本（这时包含了所有特征列、标签列）
train_dataset.as_numpy_iterator().next()

4.打乱和批次化数据集

BATCH_SIZE=64
SHUFFLE_BUFFER_SIZE=100
shuffle_ds=train_dataset.shuffle(SHUFFLE_BUFFER_SIZE)
train_dataset=shuffle_ds.batch(BATCH_SIZE)
test_dataset=test_dataset.batch(BATCH_SIZE)

5.建立和训练模型

#input_shape要省略输入数据的第一维度，（60000,28,28），只需要输入（28,28）
#这里的input_shape其实就等于train_examples.shape[1:]
first_layer=tf.keras.layers.Flatten(input_shape=(28,28))
#搭建模型
model=tf.keras.Sequential([
    first_layer,
    tf.keras.layers.Dense(128,activation='relu'),
    tf.keras.layers.Dense(10,activation='softmax')
])
#模型编译
model.compile(optimizer=tf.keras.optimizers.RMSprop(),
             loss=tf.keras.losses.SparseCategoricalCrossentropy(),
             metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
 #查看模型信息
model.summary()    

6.训练和评估

model.fit(train_dataset,epochs=10)

model.evaluate(test_dataset)