Question

我有两个简单的NumPy数组功能和标签：

@Override
public String toString() {
    return date.toString() + 'T' + time.toString();
}

我将这两个NumPy数组转换为TensorFlow数据集，如下所示：

features = np.array([
    [6.4, 2.8, 5.6, 2.2],
    [5.0, 2.3, 3.3, 1.0],
    [4.9, 2.5, 4.5, 1.7],
    [4.9, 3.1, 1.5, 0.1],
    [5.7, 3.8, 1.7, 0.3],
])
labels = np.array([2, 1, 2, 0, 0])

我定义并编译模型：

dataset = tf.data.Dataset.from_tensor_slices((features, labels))

现在，我尝试使用model = keras.Sequential([ keras.layers.Dense(5, activation=tf.nn.relu, input_shape=(4,)), keras.layers.Dense(3, activation=tf.nn.softmax) ]) model.compile( optimizer=keras.optimizers.Adam(), loss='sparse_categorical_crossentropy', metrics=['accuracy'] )方法训练模型：

fit()

我收到错误消息：

model.fit(dataset, epochs=100)

如果我直接将NumPy功能和标签数组提供给ValueError: Error when checking input: expected dense_input to have shape (4,) but got array with shape (1,)方法，那么一切都很好。

fit()

结果：

model.fit(features, labels, epochs=100)

如果我理解正确，则需要创建TensorFlow数据集，该数据集将返回元组Train on 5 samples Epoch 1/100 5/5 [==============================] - 0s 84ms/sample - loss: 1.8017 - accuracy: 0.4000 Epoch 2/100 5/5 [==============================] - 0s 0s/sample - loss: 1.7910 - accuracy: 0.4000 ............................... Epoch 100/100 5/5 [==============================] - 0s 0s/sample - loss: 1.2484 - accuracy: 0.2000。那么如何将NumPy特征和标签数组转换为可用于(features, labels)的TensorFlow数据集？

Answer 1

创建Dataset时只需设置批次大小：

batch_size = 2
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(batch_size)

如何将NumPy特征和标签数组转换为可用于model.fit（）的TensorFlow数据集？

1 个答案: