every blog every motto:

0. 前言

tf1.0 dataset使用

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

下方有错误

batch_size = 20
epochs = 10
dataset = make_dataset(x_train_scaled,y_train,epochs=epochs,batch_size=batch_size)
for data,label in dataset.take(1):print(data)print(label)

修改后

batch_size = 20
epochs = 10
dataset = make_dataset(x_train_scaled,y_train,epochs=epochs,batch_size=batch_size)# 1. auto initialization
# 2. can't be re-initalized. make_initializable_iteratordataset_iter = dataset.make_one_shot_iterator()
x,y = dataset_iter.get_next()
with tf.Session() as sess:x_val,y_val = sess.run([x,y])print(x_val.shape)print(y_val.shape)

5. 计算图

hidden_units = [100,100]
class_num = 10# x = tf.placeholder(tf.float32,[None,28*28])
# y = tf.placeholder(tf.int64,[None])
# 隐藏层
input_for_next_layer = x
for hidden_unit in hidden_units:input_for_next_layer = tf.layers.dense(input_for_next_layer,hidden_unit,activation=tf.nn.relu)# 输出层
logits = tf.layers.dense(input_for_next_layer,class_num)
# last_hidden_output * w(logits) -> softmax -> pro
# 1. logit -> softmax -> prob
# 2. labels -> ont_hot
# 3. calculate cross entropy
loss = tf.losses.sparse_softmax_cross_entropy(labels=y,logits=logits)# get accuracy
prediction = tf.argmax(logits,1)
correct_prediction = tf.equal(prediction,y)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float64))# 训练
train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)

print(x)
print(logits)

x_train.shape

# sessioninit = tf.global_variables_initializer()
train_steps_per_epoch = x_train.shape[0] // batch_sizewith tf.Session() as sess:sess.run(init)for epoch in range(epochs):for step in range(train_steps_per_epoch):loss_val,accuracy_val,_ = sess.run([loss,accuracy,train_op])print('\r[Train] epoch: %d,step: %d,loss:%3.5f,accuracy: %2.2f'%(epoch,step,loss_val,accuracy_val),end='')

从零基础入门Tensorflow2.0 ----五、24TF1.0dataset使用相关推荐

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 ...

从零基础入门Tensorflow2.0 ----五、24TF1.0dataset使用

0. 前言

1. 代码部分

1. 导入模块

2. 读取数据

3. 数据归一化

4. dataset

5. 计算图

从零基础入门Tensorflow2.0 ----五、24TF1.0dataset使用相关推荐

最新文章

热门文章