Tensorflow Dataset使用教程

本人为在职研究生,希望能够有志同道合的学习伙伴一起学习分享和交流,本人领域为光纤传感和人工智能,希望可以一起学习。
微信公众号:Deepthinkerr(文章末尾有图)

1. Dataset操作

函数:tf.data.Dataset.from_tensor_slices()

1.1 map

传入函数对象,将数据集的数据进行处理(这里需要注意,函数对象的参数,如果Dataset是(数据,标签),则函数对象的参数加*或者和Dataset的数量保持一致)

def get_sum(*data):
    return data[0], tf.reduce_mean(data[1])

ds = tf.data.Dataset.from_tensor_slices((np.arange(0,5), np.random.random([5, 3])))
for xs, ys in ds:
    print(xs, '---', ys)

ds = ds.map(get_sum)
for xs, ys in ds:
    print(xs, '---', ys)
'''
tf.Tensor(0, shape=(), dtype=int32) --- tf.Tensor([0.56397376 0.85393914 0.84017773], shape=(3,), dtype=float64)
tf.Tensor(1, shape=(), dtype=int32) --- tf.Tensor([0.46128459 0.13208717
### TensorFlow 使用教程与官方文档详解 TensorFlow 是一个广泛应用于深度学习和其他人工智能领域的开源机器学习库[^2]。对于希望深入了解并应用此工具的人来说,官方文档提供了详尽的学习资料。 #### 官方文档结构概述 官方文档不仅涵盖了基础概念、模型构建与训练等内容,还深入探讨了数据处理方法、模型保存与恢复机制等方面的知识。这些内容有助于使用者逐步建立起对整个框架的理解,并能够独立完成项目开发工作。 #### 学习路径建议 为了更好地利用官方提供的资源进行自学,在开始之前可以先浏览一下文章目录部分所列明的主题范围,这将帮助规划个人化的学习路线图[^3]。例如: - **理解核心概念**:熟悉张量(Tensor)、计算图(Graphs)等基本要素; - **实践操作指南**:跟随实例练习编写简单的神经网络程序; - **探索高级功能**:尝试了解分布式训练或者如何部署已训练好的模型至生产环境当中去[^4]; #### 实际案例分析 当涉及到具体的应用场景时,则可以通过研究具体的例子来加深印象。比如关于预训练模型权重加载方式以及 TFRecord 文件的操作说明就非常具有代表性[^1]。这类实战型的内容往往能给开发者带来更直观的感受,同时也便于解决实际工作中遇到的问题。 ```python import tensorflow as tf # 加载预训练模型的例子 model = tf.keras.applications.ResNet50(weights='imagenet') # 创建TFRecord文件的简单示例 with tf.io.TFRecordWriter('output.tfrecord') as writer: example = ... # 构建Example对象 writer.write(example.SerializeToString()) # 读取TFRecord文件的方法 dataset = tf.data.TFRecordDataset(['output.tfrecord']) for record in dataset.take(1): print(record) ```
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
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