Machine learning Tensorflow将数据导入其中（SVHN）

我成功地安装了tensorflow，并遵循了有关MNIST数据的简易教程。 现在我想建立模型来训练SVHN数据。不幸的是，我找不到任何地方可以将数据导入模型。 基本上是每个模型的第一步。 数据保存在dict中，参数键为“X”，标签键为“y”。 形状如下：

打印列车数据['X']。形状

（32,32,373257）

打印列车数据['y']。形状

（73257,1）

有谁能给我一个提示或链接，如何将其成功地导入tensorflow

---

谢谢

我认为一个好主意是将您的数据重塑为如下内容：

打印列车数据['X']。形状
（73257,32*32*3）=（73257,3072）

我对tensorflow和python也不熟悉，但我认为可以通过将numpy与np.reformate结合使用来做到这一点

请参阅以下文档：

---

告诉我它是否适用于您：）

TensorFlow使用这个概念，其中：首先，定义一个图；接下来，训练一个图形；最后，使用图形

在定义图形时，需要创建占位符。类似于图形的输入节点。但是，此时，这些变量是“空”的，因为它们与您的输入数据无关

在训练时和测试时，您都可以通过引用这个预定义的输入节点将数据“馈送”到图形中

这个概念对你来说可能是新概念，我建议你学习一些教程。TensorFlow本身有一个很好的页面，叫做“TensorFlow力学101”和“基本用法”。 如果你更直观，我可以推荐YouTube频道“Dan Does Data”，他以幽默的方式探索TensorFlow的概念

---

如果你更喜欢喜欢示例代码的人，你可以考虑一个例子，在那里我为MNIST制作了一个小型美国有线电视新闻网。看看占位符“x”和“y”，它们是您感兴趣的变量。

SVNH的

digitStruct.mat

是matlab的文件格式，因此您应该转换它

下面是一个将

digitStruct.mat

转换为json的代码，或者您可以使用

scipy.io.loadmat

#编码：utf-8
#SVHN从digitStruct.mat完整数字文件中提取数据。数据可以下载
#街景房号（SVHN）网站：http://ufldl.stanford.edu/housenumbers.
#
#这是对以下脚本的A2iA调整（YG-2014年1月9日）：
# http://blog.grimwisdom.com/python/street-view-house-numbers-svhn-and-octave
#
#digitStruct.mat文件的完整数字为tar（train.tar.gz、test.tar.gz和extra.tar.gz）
#仅与matlab兼容。这个Python程序可以在命令行上运行，并将生成
#数据集的json版本。
#
#命令行用法：
#SVHN_dataextract.py[-f input][-o output_，不带扩展名]
#>python SVHN_dataextract.py-f digitStruct.mat-o digitStruct
#
#问题：
#可以拆分为多个文件的功能已从原始文件中删除
#剧本。
#
导入TQM
进口h5py
导入optpass
从json导入JSONEncoder
parser=optparse.OptionParser（）
parser.add_选项（“-f”，dest=“fin”，help=“Matlab完整数字SVHN输入文件”，default=“digitStruct.mat”）
parser.add_选项（“-o”，dest=“filePrefix”，help=“json输出文件的名称”，default=“digitStruct”）
选项，args=parser.parse_args（）
fin=options.fin
#DigitStructFile只是h5py数据的包装。它基本上引用了
#inf：输入h5 matlab文件
#digitStructName将h5引用命名为所有文件名
#DigitStructBox将所有结构数据的h5参考值
类数字结构文件：
定义初始化（自我，inf）：
self.inf=h5py.File（inf，'r'）
self.digitStructName=self.inf['digitStruct']['name']
self.digitstructbox=self.inf['digitStruct']['bbox']
#getName返回第n（th）个digitStruct的“name”字符串。
def getName（self，n）：
返回“”。在self.inf[self.digitStructName[n][0]].value]中为c加入（[chr（c[0]））
#当只有一个bbox或一个bbox数组时，bboxHelper处理编码差异。
def bboxHelper（自身、属性）：
如果len（attr）>1：
attr=[self.inf[attr.value[j].item（）]。范围内j的值[0][0]（len（attr））]
其他：
属性=[attr.value[0][0]]
返回属性
#getBbox返回第n个bbox的dict数据。
def getBbox（自身，n）：
bbox={}
bb=self.digitstructbox[n]。项（）
bbox['height']=self.bboxHelper（self.inf[bb][“height”]）
bbox['label']=self.bboxHelper（self.inf[bb][“label”]）
bbox['left']=self.bboxHelper（self.inf[bb][“left”]）
bbox['top']=self.bboxHelper（self.inf[bb][“top”]）
bbox['width']=self.bboxHelper（self.inf[bb][“width”]）
返回bbox
def getDigitStructure（自身，n）：
s=self.getBbox（n）
s['name']=self.getName（n）
返回s
#getAllDigitStructure返回输入文件中的所有digitStruct。
def getAllDigitStructure（自）：
打印（'开始获取所有数字结构'）
返回[tqdm.tqdm（范围（len（self.digitStructName））]中i的self.getDigitStructure（i）]
#返回重新构造的数据集版本（一个结构，按方框数字排列）。
#
#返回此类命令的列表：
#“filename”：示例的文件名
#“框”：此类命令的列表（按数字排列）：
#“标签”：1到9个对应的数字。10表示图像中的数字“0”。
#“左”、“上”：边界框的位置
#“宽度”、“高度”：边界框的尺寸
#
#注意：如果出现内存问题，我们可以将其转换为生成器。
按数字（自身）定义getAllDigitStructure_：
pictDat=self.getAllDigitStructure（）
结果=[]
structCnt=1
打印（'起始包装josn dict'）
对于tqdm中的i.tqdm（范围（len（pictDat））：
item={'filename'：pictDat[i][“name”]}
数字
    xTrain,xTest=np.mean(xTrain0,axis=2,keepdims=True),np.mean(xTest0,axis=2,keepdims=True);
xTrain/=255; xTest/=255
print(f'Min: {xTrain.min()}, Max: {xTrain.max()}')
yTrain[yTrain>9]=0; yTest[yTest>9]=0
print(f'Min: {yTrain.min()}, Max: {yTrain.max()}')
xTrain,xTest=np.moveaxis(xTrain,-1,0),np.moveaxis(xTest,-1,0)
print(xTrain.shape,xTest.shape)