Сохраните дату! Google I / O возвращается 18-20 мая Зарегистрируйтесь сейчас
Эта страница переведена с помощью Cloud Translation API.
Switch to English

Загрузить данные NumPy

Посмотреть на TensorFlow.org Запускаем в Google Colab Посмотреть исходный код на GitHub Скачать блокнот

В этом руководстве представлен пример загрузки данных из массивов NumPy вtf.data.Dataset .

В этом примере загружается набор данных MNIST из файла .npz . Однако источник массивов NumPy не важен.

Настраивать

import numpy as np
import tensorflow as tf

Загрузить из файла .npz

DATA_URL = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz'

path = tf.keras.utils.get_file('mnist.npz', DATA_URL)
with np.load(path) as data:
  train_examples = data['x_train']
  train_labels = data['y_train']
  test_examples = data['x_test']
  test_labels = data['y_test']

Загрузите массивы NumPy с помощьюtf.data.Dataset

Предполагая, что у вас есть массив примеров и соответствующий массив меток, передайте два массива в виде кортежа в tf.data.Dataset.from_tensor_slices чтобы создатьtf.data.Dataset .

train_dataset = tf.data.Dataset.from_tensor_slices((train_examples, train_labels))
test_dataset = tf.data.Dataset.from_tensor_slices((test_examples, test_labels))

Используйте наборы данных

Перемешайте и пакетируйте наборы данных

BATCH_SIZE = 64
SHUFFLE_BUFFER_SIZE = 100

train_dataset = train_dataset.shuffle(SHUFFLE_BUFFER_SIZE).batch(BATCH_SIZE)
test_dataset = test_dataset.batch(BATCH_SIZE)

Постройте и обучите модель

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10)
])

model.compile(optimizer=tf.keras.optimizers.RMSprop(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['sparse_categorical_accuracy'])
model.fit(train_dataset, epochs=10)
Epoch 1/10
938/938 [==============================] - 2s 2ms/step - loss: 2.8712 - sparse_categorical_accuracy: 0.8771
Epoch 2/10
938/938 [==============================] - 2s 2ms/step - loss: 0.4812 - sparse_categorical_accuracy: 0.9299
Epoch 3/10
938/938 [==============================] - 2s 2ms/step - loss: 0.3514 - sparse_categorical_accuracy: 0.9471
Epoch 4/10
938/938 [==============================] - 2s 2ms/step - loss: 0.3048 - sparse_categorical_accuracy: 0.9546
Epoch 5/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2752 - sparse_categorical_accuracy: 0.9617
Epoch 6/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2505 - sparse_categorical_accuracy: 0.9652
Epoch 7/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2375 - sparse_categorical_accuracy: 0.9676
Epoch 8/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2188 - sparse_categorical_accuracy: 0.9705
Epoch 9/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2007 - sparse_categorical_accuracy: 0.9725
Epoch 10/10
938/938 [==============================] - 2s 2ms/step - loss: 0.1964 - sparse_categorical_accuracy: 0.9757
<tensorflow.python.keras.callbacks.History at 0x7fbc9cbffe80>
model.evaluate(test_dataset)
157/157 [==============================] - 0s 2ms/step - loss: 0.6592 - sparse_categorical_accuracy: 0.9554
[0.6592006087303162, 0.9553999900817871]