TensorFlow构建模型（Numpy数据加载）八

最新推荐文章于 2022-07-11 11:02:01 发布

superY25

最新推荐文章于 2022-07-11 11:02:01 发布

阅读量411

点赞数

分类专栏：人工智能文章标签： tensorflow 深度学习 numpy数据加载

本文链接：https://blog.csdn.net/superY_26/article/details/124938116

版权

人工智能专栏收录该内容

68 篇文章 11 订阅

订阅专栏

该文介绍如何利用TensorFlow加载mnist.npz数据集，通过tf.data.Dataset进行数据预处理，包括打乱顺序、批量处理，并构建一个全连接模型进行训练和评估，展示了数据处理和模型构建的基本流程。

摘要由CSDN通过智能技术生成

概要

本文主要讲numpy数据的加载和使用，数据文件的格式.npz。

内容

import numpy as np
import tensorflow as tf

DATA_URL = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz'

path = tf.keras.utils.get_file('mnist.npz', DATA_URL)
with np.load(path) as data:
  train_examples = data['x_train']
  train_labels = data['y_train']
  test_examples = data['x_test']
  test_labels = data['y_test']

使用tf.data.Dataset加载Numpy 数组，假设你有一个样本数组和相应的数据标签，你可以将它们组合成元组（tuple）传入到tf.data.Dataset.from_tensor_slices函数来创建一个tf.data.Dataset。

train_dataset = tf.data.Dataset.from_tensor_slices((train_examples, train_labels))
test_dataset = tf.data.Dataset.from_tensor_slices((test_examples, test_labels))

数据的使用

BATCH_SIZE = 64
SHUFFLE_BUFFER_SIZE = 100

train_dataset = train_dataset.shuffle(SHUFFLE_BUFFER_SIZE).batch(BATCH_SIZE)
test_dataset = test_dataset.batch(BATCH_SIZE)
# 构建一个全连接模型，10分类
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

model.compile(optimizer=tf.keras.optimizers.RMSprop(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['sparse_categorical_accuracy'])
model.fit(train_dataset, epochs=10)
model.evaluate(test_dataset)
"""
[0.6484134197235107, 0.9531000256538391]
"""