TensorFlow as build это хороший способ хранения данных. Это, например, используется для хранения данных MNIST в следующем примере:

>>> mnist
<tensorflow.examples.tutorials.mnist.input_data.read_data_sets.<locals>.DataSets object at 0x10f930630>

Предположим, что у вас есть входной и выходной массивы.

>>> x = np.random.normal(0,1, (100, 10))
>>> y = np.random.randint(0, 2, 100)

Как я могу преобразовать их в набор данных tf?

Я хочу использовать такие функции, как next_batch

16
Donbeo 18 Дек 2015 в 20:35

3 ответа

Лучший ответ

Объект Dataset является только частью учебника MNIST, а не основной библиотекой TensorFlow.

Вы можете увидеть, где это определено здесь:

Ссылка на GitHub

Конструктор принимает аргумент изображения и метки, так что, вероятно, вы можете передать туда свои собственные значения.

8
Strik3r 13 Май 2016 в 10:36

Недавно Tensorflow добавил функцию в свой набор данных API для использования массива NumPy. Подробнее см. здесь.

Вот фрагмент, который я скопировал оттуда:

# Load the training data into two NumPy arrays, for example using `np.load()`.
with np.load("/var/data/training_data.npy") as data:
  features = data["features"]
  labels = data["labels"]

# Assume that each row of `features` corresponds to the same row as `labels`.
assert features.shape[0] == labels.shape[0]

features_placeholder = tf.placeholder(features.dtype, features.shape)
labels_placeholder = tf.placeholder(labels.dtype, labels.shape)

dataset = tf.data.Dataset.from_tensor_slices((features_placeholder, labels_placeholder))
# [Other transformations on `dataset`...]
dataset = ...
iterator = dataset.make_initializable_iterator()

sess.run(iterator.initializer, feed_dict={features_placeholder: features,
                                          labels_placeholder: labels})
0
MajidL 12 Апр 2018 в 21:52

В качестве альтернативы вы можете использовать функцию tf.train.batch() для создания пакета ваших данных и в то же время исключить использование tf.placeholder. Обратитесь к документации для получения более подробной информации.

>>> images = tf.constant(X, dtype=tf.float32) # X is a np.array
>>> labels = tf.constant(y, dtype=tf.int32)   # y is a np.array
>>> batch_images, batch_labels = tf.train.batch([images, labels], batch_size=32, capacity=300, enqueue_many=True)
0
WenFeng Luo 4 Ноя 2017 в 14:42