【深度学习21天学习挑战赛】备忘篇： from_tensor_slices的作用和用法

​ 活动地址：CSDN21天学习挑战赛

我们在转化数据集时经常会使用这个函数，他的所用是切分传入的 Tensor 的第一个维度，生成相应的 dataset 。

为什么要转换？
将python的list和numpy数组转换成tensorflow的dataset ，才能被model.fit函数训练

场景1：转换

import tensorflow as tf
import numpy as np
x = np.random.uniform(size=(5, 3))
print(x)
print(type(x))
dataset = tf.data.Dataset.from_tensor_slices(x)
print(type(dataset))
for i in dataset:
	print(i)

可以看到ndarray 类型的x被在第0维切分成了5个不同tensor也就是5个相应的 dataset

如果传入的不是ndarray,而是list也是一样的

场景2：组合组队

import tensorflow as tf
import numpy as np
x = np.random.uniform(size=(5, 2))
print(x)
y = [1,2,3,4,5]
print(y)
dataset = tf.data.Dataset.from_tensor_slices((x, y))
for i in dataset:
	print(i)

可以看到：
x和y均在第0维被切分成了5个tensor，并且相应位置的元素在dataset中组成了一组。

这一点很重要，这样就可以实现特征 + 标签的dataset

场景3：字典转换

dict_data = dict([('a', [11,22]), ('b', [33, 44]), ('c', [55, 66])])
print(dict_data)
dataset = tf.data.Dataset.from_tensor_slices(dict_data)
for i in dataset:
	print(i)

运行结果：

{'a': [11, 22], 'b': [33, 44], 'c': [55, 66]}
{'a': <tf.Tensor: shape=(), dtype=int32, numpy=11>, 'b': <tf.Tensor: shape=(), dtype=int32, numpy=33>, 'c': <tf.Tensor: shape=(), dtype=int32, numpy=55>}
{'a': <tf.Tensor: shape=(), dtype=int32, numpy=22>, 'b': <tf.Tensor: shape=(), dtype=int32, numpy=44>, 'c': <tf.Tensor: shape=(), dtype=int32, numpy=66>}

由此可知，from_tensor_slices的大概使用方法，和支持的传入数据类型（元组）。