tensorflow2.0中dataset API 总结

tensorflow2.0中data API 总结

tf.data.Dataset.list_files(filename)

参数:filename:文件路径或者文件路径列表,如:’…/csvData/iris.csv’,[’…/csvData/iris.csv’,’…/csvData/boston_house_prices.csv’]。

返回值:文件路径或者文件路径列表的Dataset形式

代码:

import tensorflow as tf
dataset1 = tf.data.Dataset.list_files('../csvData/iris.csv')
print ("dataset1:",dataset1)
for dataset in dataset1:
    print("dataset:",dataset)

返回结果:

dataset1: <DatasetV1Adapter shapes: (), types: tf.string>
dataset: tf.Tensor(b'..\\csvData\\iris.csv', shape=(), dtype=string)

tf.data.TextLineDataset(filename)

参数:filename:文件路径或者文件路径列表。还可以是:tf.data.Dataset.list_files(filename)的返回值

返回值:文件路径或者文件路径列表 按行排列的 字符串Dataset形式

代码:

import tensorflow as tf
dataset2 = tf.data.TextLineDataset('../csvData/iris.csv')
for dataset in dataset2:
    print(dataset)

返回结果:

tf.Tensor(b'150,4,setosa,versicolor,virginica', shape=(), dtype=string)
tf.Tensor(b'5.1,3.5,1.4,0.2,0', shape=(), dtype=string)
tf.Tensor(b'4.9,3.0,1.4,0.2,0', shape=(), dtype=string)
tf.Tensor(b'4.7,3.2,1.3,0.2,0', shape=(), dtype=string)
tf.Tensor(b'4.6,3.1,1.5,0.2,0', shape=(), dtype=string)
tf.Tensor(b'5.0,3.6,1.4,0.2,0', shape=(), dtype=string)
tf.Tensor(b'5.4,3.9,1.7,0.4,0', shape=(), dtype=string)
tf.Tensor(b'4.6,3.4,1.4,0.3,0', shape=(), dtype=string)
tf.Tensor(b'5.0,3.4,1.5,0.2,0', shape=(), dtype=string)
tf.Tensor(b'4.4,2.9,1.4,0.2,0', shape=(), dtype=string)
.......

csv文件:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CfQJCWPf-1576047741471)(C:\Users\xiahuadong\Pictures\博客\140.png)]

dataset.interleave(function)

参数:

dataset:输入的dataset形式的值。
function:经过的函数function

返回值:通过function函数产生的返回值。

代码:

import tensorflow as tf
dataset1 = tf.data.Dataset.list_files('../csvData/iris.csv')
dataset4 = dataset1.interleave(tf.data.TextLineDataset)
print("dataset4:",dataset4)
for dataset in dataset4:
    print("dataset:",dataset)

效果:

ataset4: <DatasetV1Adapter shapes: (), types: tf.string>
dataset: tf.Tensor(b'150,4,setosa,versicolor,virginica', shape=(), dtype=string)
dataset: tf.Tensor(b'5.1,3.5,1.4,0.2,0', shape=(), dtype=string)
dataset: tf.Tensor(b'4.9,3.0,1.4,0.2,0', shape=(), dtype=string)
dataset: tf.Tensor(b'4.7,3.2,1.3,0.2,0', shape=(), dtype=string)
dataset: tf.Tensor(b'4.6,3.1,1.5,0.2,0', shape=(), dtype=string)
dataset: tf.Tensor(b'5.0,3.6,1.4,0.2,0', shape=(), dtype=string)
dataset: tf.Tensor(b'5.4,3.9,1.7,0.4,0', shape=(), dtype=string)
dataset: tf.Tensor(b'4.6,3.4,1.4,0.3,0', shape=(), dtype=string)
dataset: tf.Tensor(b'5.0,3.4,1.5,0.2,0', shape=(), dtype=string)
......
TensorFlow 2.0是谷歌推出的一种深度学习框架,用于构建和训练神经网络模型。使用TensorFlow 2.0,你可以通过tf.keras构建神经网络模型,使用低级别的TensorFlow API定义网络层,并进行数据的加载和预处理。 为了使用TensorFlow 2.0,你需要遵循以下步骤: 1. 安装TensorFlow 2.0:你可以通过谷歌的官方文档来了解如何安装TensorFlow 2.0,文档提供了多种安装方法,你可以选择适合你的操作系统和环境的安装方式。 2. 构建神经网络模型:在TensorFlow 2.0,你可以使用tf.keras来构建神经网络模型。你可以使用tf.keras.Sequential()函数来创建一个顺序模型,然后使用add()方法向模型添加层。你可以选择不同类型的层(如全连接层、卷积层、池化层等)并配置它们的参数。 3. 定义网络层:除了使用tf.keras构建模型外,你还可以使用低级别的TensorFlow API来定义网络层。通过TensorFlow低级别的API,你可以更灵活地定义自己的网络结构,并实现自定义的层和损失函数。 4. 加载和预处理数据:在TensorFlow 2.0,你可以使用tf.data.Dataset来加载和预处理数据。通过tf.data.Dataset,你可以从不同的数据源加载数据,并进行预处理操作,如数据增强、标准化和批量处理等。 总结一下,使用TensorFlow 2.0,你可以通过tf.keras构建神经网络模型,使用低级别的TensorFlow API定义网络层,并使用tf.data.Dataset加载和预处理数据。你可以根据自己的需求选择合适的方法和步骤来使用TensorFlow 2.0。如果你需要更详细的信息和示例代码,可以参考官方文档或其他教程资源。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

夏华东的博客

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值