从零基础入门Tensorflow2.0 ----五、26TF1.0tf_data,make_initializable_iteror()
every blog every motto:
0. 前言
计算图的构建 , make_initializable_iteror()
1. 代码部分
1. 导入模块
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import kerasprint(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras:print(module.__name__,module.__version__)
2. 读取数据
fashion_mnist = keras.datasets.fashion_mnist
# print(fashion_mnist)
(x_train_all,y_train_all),(x_test,y_test) = fashion_mnist.load_data()
x_valid,x_train = x_train_all[:5000],x_train_all[5000:]
y_valid,y_train = y_train_all[:5000],y_train_all[5000:]
# 打印格式
print(x_valid.shape,y_valid.shape)
print(x_train.shape,y_train.shape)
print(x_test.shape,y_test.shape)
3. 数据归一化‘
print(np.max(x_train),np.min(x_train))
# 数据归一化
from sklearn.preprocessing import StandardScalerscaler = StandardScaler()
# x_train:[None,28,28] -> [None,784]
x_train_scaled = scaler.fit_transform(x_train.astype(np.float32).reshape(-1,1)).reshape(-1,28*28)
x_valid_scaled = scaler.transform(x_valid.astype(np.float32).reshape(-1,1)).reshape(-1,28*28)
x_test_scaled = scaler.transform(x_test.astype(np.float32).reshape(-1,1)).reshape(-1,28*28)# 更改数据类型
y_train = np.asarray(y_train,dtype=np.int64)
y_valid = np.asarray(y_valid,dtype=np.int64)
y_test = np.asarray(y_test,dtype=np.int64)
print(np.max(x_train_scaled),np.min(x_train_scaled))
4. dataset
# 创建dataset
def make_dataset(images,labels,epochs,batch_size,shuffle=True):dataset = tf.data.Dataset.from_tensor_slices((images,labels))if shuffle:dataset = dataset.shuffle(10000)dataset = dataset.repeat(epochs).batch(batch_size)return dataset
batch_size = 20
epochs = 10images_placeholder = tf.placeholder(tf.float32,[None,28*28])
labels_placeholder = tf.placeholder(tf.int64,[None,])dataset = make_dataset(images_placeholder,labels_placeholder,epochs=epochs,batch_size=batch_size)# 1. auto initialization
# 2. can't be re-initalized. make_initializable_iteratordataset_iter = dataset.make_initializable_iterator()
x,y = dataset_iter.get_next()
with tf.Session() as sess:sess.run(dataset_iter.initializer,feed_dict = {images_placeholder:x_train_scaled,labels_placeholder:y_train})x_val,y_val = sess.run([x,y])print(x_val.shape)print(y_val.shape)sess.run(dataset_iter.initializer,feed_dict = {images_placeholder:x_valid_scaled,labels_placeholder:y_valid})x_val,y_val = sess.run([x,y])print(x_val.shape)print(y_val.shape)
从零基础入门Tensorflow2.0 ----五、26TF1.0tf_data,make_initializable_iteror()相关推荐
- 视频编码零基础入门(0):零基础,史上最通俗视频编码技术入门
[来源申明]本文引用了微信公众号"鲜枣课堂"的<视频编码零基础入门>文章内容.为了更好的内容呈现,即时通讯网在引用和收录时内容有改动,转载时请注明原文来源信息,尊重原作 ...
- Apache Flink 零基础入门(十五)Flink DataStream编程(如何自定义DataSource)
数据源可以通过StreamExecutionEnvironment.addSource(sourceFunction)方式来创建,Flink也提供了一些内置的数据源方便使用,例如readTextFil ...
- 【转】Dynamics CRM 365零基础入门学习(五)权限管理
一:安全角色 Microsoft Dynamics 365中的安全角色是各种实体的特权和访问级别矩阵. 它们根据其功能分组在不同的选项卡下. 这些组包括:核心记录,营销,销售,服务,业务管理,服务管理 ...
- python和循环语句_Python 小白零基础入门 -- 条件语句和循环语句
Python 小白零基础入门 -- 条件语句和循环语句 点击上方 "Python 读数", 选择 "星标" 公众号 重磅干货, 第一时间送达 Python 零基 ...
- 【学习记录】Python零基础入门(五)
第五章 Python零基础入门之条件.循环及其他语句 本人自学的主要教材为Magnus Lie Hetland的Beginning Python:From Novice to Professional ...
- sql数据库教程百度云_绘画自学零基础入门教程|五天学会绘画pdf百度云下载!...
绘画自学零基础入门教程|五天学会绘画pdf百度云下载!画画是可以让人留存记忆的事情.我自己就很喜欢画画来记录生活中一些特别的日子.场景还有我的家人朋友们.有时候,比照片更有故事感和纪念意义-有空拿出来 ...
- 零基础入门转录组分析——第五章(表达定量)
零基础入门转录组分析--第五章(表达定量) 目录 零基础入门转录组分析--第五章(表达定量) 1. 序列比对结果的复查 2. 表达定量 3. 提取有效信息 4. 合并多个样本定量结果 5. 进一步修改 ...
- 五万字15张导图Java自学路线,小白零基础入门,程序员进阶,收藏这篇就够了
本文收录于<技术专家修炼> 文中配套资料合集 路线导图高清源文件 点击跳转到文末点击底部卡片回复「资料」领取 哈喽,大家好,我是一条~ 最近粉丝问我有没有Java自学路线,有了方向才能按图 ...
- 罗马音平假名中文可复制_日语零基础入门五十音,日语零基础五十音图表
日语零基础入门五十音,日语入门的最基本要求就是记住五十音图,但是这个记住不仅是你能背下来或是默写下来.而是你需对号入座! 下面是一张五十音图表. 即每个假名单独拿出来你要立马反应出来怎么读.其重要性甚 ...
- 0基础能学漫画么?漫画零基础入门教程!
漫画零基础入门教程!很多人都喜欢看动漫,同时也会幻想成为动漫里的主角,与此同时也会诞生学漫画的想法.不论是你真的想学习漫画,又或出于个人爱好,或职业需要,或为了具备一项自己喜欢的看家本领.我们都要先清 ...
最新文章
- 编译原理:全片知识难点总结
- SQLPlus命令详细说明
- AX2012 学习自动生成编码
- 从安装、管理到防御,阿里云安骑士全向测评
- 清北学堂模拟day4 捡金币
- json decode php 二维,在json_decode /多维数组之后访问JSON数组
- 操作系统之IO设备详解
- 数据库基础学习(思维导图)
- 如何看懂公司的财务报表(2)
- Linux CentOS 学习笔记
- vue3.x自定义换肤
- cocos 躲避球游戏(1) --创建项目和场景切换
- java修炼之多线程学习心得
- 新零售餐饮风口正盛,食云集却在夹缝中求生?
- 如何用css弄个七彩,CSS实现文字七彩呼吸灯动画
- B. Vanya and Lanterns
- Elasticsearch-集群管理
- 会员卡充值软件系统多少钱一套?桶装水会员充值方案微信小程序开源源码开发制作
- python 约瑟夫杯_Python 约瑟夫生者死者小游戏
- 如何求直线与平面的交点(两种方式)
热门文章
- 运用计算机测量单缝衍射光强度分布,衍射光强检测系统、单缝衍射光路系统及光强检测方法与流程...
- javascript写字技巧_关于 js的一些书写习惯 实用风格 小技巧
- http请求转为https请求 java_如何将Javaweb工程的访问协议由http改为https及通过域名访问?...
- HTML:canvas简述
- 三维重建_对比几个三维重建系统(大部分开源)
- 三维重建_基于图像的三维模型重建_稠密点云重建
- 算法面试_怎么简单高效的理解递归?//TODO
- SINet: 使用空间压缩模块和信息遮挡编码器的极轻量人像分割模型
- EM算法——解释 转载
- 关于CUDA与CUDNN适配版本,以及安装中出现Bug的分析