Python 如何在tensorflow_数据集加载的数据集中分别加载图像和标签 将tensorflow_数据集导入为TFD 列车ds=tfds.load（'cifar100'，split='train[:90%]'）。shuffle（1024）。批处理（32） val_ds=tfds.load（'cifar100'，split='train[-10%:]'）。shuffle（1024）。批处理（32）

我想把

train\u ds

和

val\u ds

转换成这样的东西：

x\u train，y\u train

和

x\u val，y\u val

（x代表图像，y代表标签）。 KerasAPI使用训练和测试数据分割（在sklearn中似乎也是如此），但我不想在这里使用任何测试数据

我尝试过这个方法，但没有成功（我确实理解为什么不成功，但我不知道如何将我的训练数据转换为图像和标签）：

x\u train=train\u ds['image']
#TypeError:“BatchDataset”对象不可下标

这不是最好的方法，我先创建列表来检查它们。我想你想要的是：

train_ds = tfds.load('mnist', split='train[:90%]')

train_examples_labels = tfds.as_numpy(train_ds)

x_train = []
y_train = []


for features_labels in train_examples_labels:
    x_train.append(features_labels['image'])
    y_train.append(features_labels['label'])

功能\u标签

是一本字典：

features_labels.keys()
dict_keys(['image', 'label'])

之后，可以将它们转换为

numpy

数组

x_train = np.array(x_train, dtype = 'float32')
y_train = np.array(y_train, dtype = 'float32')

---

我找到了一个更好的解决方案：

train\u ds，val\u ds=tfds.load（name=“cifar100”，拆分=（'train[:90%]，'train[-10%:]'，批次大小=-1，as\u supervised=True）
x\u列，y\u列=tfds.as\u numpy（列数据）
x_val，y_val=tfds.as_numpy（val\u数据）

回答您的问题？我尝试了所有建议的解决方案，但我一直遇到这样的错误

ValueError:太多的值无法解包（预期为2）

我认为该问题中的问题与我这里的问题不同。我使用了您的方法，但与Keras API加载的列车数据相比：

（x_train_keras，y_train_keras），（x_test_keras，y_test_keras）=cifar100.加载数据（）y_train_keras==y_train数组（[[False，False，False，False，False，False，False]，[False，False，False，False]，[False，False，False，False，False]，[假，假，假，…，假，假，假]，[假，假，假，…，假，假，假]]

它们的顺序可能不一样。我检查了形状，它们是一样的。这也是我的想法，但我没有洗牌我的数据，所以我想知道为什么顺序不同。另外，由于某种原因，我无法将最终数组转换为float32。我发现这是由于导入期间批量处理数据造成的。谢谢帮助！