tensorflow数据集加载

本篇涉及的内容主要有小型常用的经典数据集的加载步骤，tensorflow提供了如下接口：keras.datasets、tf.data.Dataset.from_tensor_slices(shuffle、map、batch、repeat)，涉及的数据集如下：boston housing、mnist/fashion mnist、cifar10/100、imdb

1.keras.datasets

通过该接口可以直接下载指定数据集。boston housing提供了和房价有关的一些因子（面积、居民来源等），mnist提供了手写数字的图片和对应label，fashion mnist提供了10种衣服的灰度图和对应label，cifar10/100是用来进行简单图像识别的数据集，分别包含10类物品和100类物品，imdb是一个类似于淘宝好评的数据集，即通过评语及其标注（好评或差评），来实现一个好评或差评的分类器。

注：通过该接口得到的数据集格式为numpy格式。

2.tf.data.Dataset.from_tensor_slices()

该方法可以用来进行数据的迭代，过程中可以直接将numpy格式转化为tensor格式，然后通过调用next(iter())方法实现迭代，使用示例如下：

# 加载数据集
(x,y),(x_test,y_test) = keras.datasets.mnist.load_data()
# 转化为tensor并实现迭代
db = tf.data.Dataset.from_tensor_slices(x_test)
# 打印迭代数据的shape
print(next(iter(db)).shape)
# 将img和label封装为同一次迭代
db = tf.data.Dataset.from_tensor_slices((x_test,y_test))
print(next(iter(db))[0].shape)
print(next(iter(db))[1].shape)

3.shuffle

通过shuffle函数可以将数据集打散，从而提高模型的泛化能力，使用方法：db.shuffle(10000)，参数设置范围，通常值设置比较大

4.map

# deep learning一般使用float32，而numpy格式多为float64，所以需要转化
def preprocess(x,y):
    x = tf.cast(x,dtype=tf.float32)/255
    y = tf.cast(y,dtype=tf.int32)
    y = tf.one_hot(y,depth=10)
    return x,y

db2 = db.map(preprocess)
res = next(iter(db2))
print(res[0].shape,res[1].shape)

5.batch

db3 = db2.batch(32)
res = next(iter(db3))
print(res[0].shape,res[1].shape)

6.StopIteration

因为迭代多次后会到达数据集的末尾，如果不进行异常处理则会报StopIteration异常，如下处理方式就是错误的：

db_iter = iter(db3)
while True:
    next(db_iter)

只要加上异常处理语句对db_iter重新赋值即可