TensorFlow数据读取（一）—————— Dataset

TensorFlow提供了一种内置的API—ataset，使得我们可以很容易地就利用输入管道的方式输入数据。可以像队列读取数据那样，生产batch、数据增强等等。

官方介绍

tf.data.Dataset 可以表示为一些元素的序列，该元素序列可以是列表、元组甚至是字典。比如对于图像通道，元素可以是单独的数据样本，也可以是成对的（样本+label），这里提供了两种不同的创建dataset的方式：

Dataset.from_tensor_slices():从数据中返回一个切片，也就是单个数据信息

Dataset.batch()：对数据应用变换，使其返回一个batch

tf.data.Iterator是从数据集中提取元素的主要方法，通过Iterator.get_next()产生Dataset下一个元素。最简单的迭代器是"one-shot iterator"，它可以对Dataset迭代一次；对于复杂的情况，Iterator.initializer可以让你重新启动和参数化一个迭代器，这样就可以在一个程序中多次加载训练集和验证集。

# 创建一个Dataset，（此例是from tensor创建）
dataset1 = tf.data.Dataset.from_tensor_slices(tf.random_uniform([4, 10]))     # tensor
print(dataset1.output_types)  # ==> "tf.float32"
print(dataset1.output_shapes)  # ==> "(10,)"

dataset2 = tf.data.Dataset.from_tensor_slices(
   (tf.random_uniform([4]),
    tf.random_uniform([4, 100], maxval=100, dtype=tf.int32)))                 # 元组
print(dataset2.output_types)  # ==> "(tf.float32, tf.int32)"
print(dataset2.output_shapes)  # ==> "((), (100,))"

dataset3 = tf.data.Dataset.zip((dataset1, dataset2))
print(dataset3.output_types)  # ==> (tf.float32, (tf.float32, tf.int32))
print(dataset3.output_shapes)  # ==> "(10, ((), (100,)))"

dataset = tf.data.Dataset.from_tensor_slices(
   {"a": tf.random_uniform([4]),
    "b": tf.random_uniform([4, 100], maxval=100, dtype=tf.int32)})            # 字典
print(dataset.output_types)  # ==> "{'a': tf.float32, 'b': tf.int32}"
print(dataset.o