Python 在Keras中使用MNIST数据

作为使用numpy和tensorflow课程的一部分，我目前正在使用MNIST数据。我正在运行课程中提供的代码，在运行这段代码时，我注意到tensorflow发出了一些警告：

来自tensorflow.examples.tutorials.mnist导入输入数据
mnist=输入数据。读取数据集（“../data/mnist\u data/”，一个热=真）

我查看了文档，发现这是不推荐的，应该使用

keras

中的MNIST。所以我把上面的代码改成了这个

从keras.datasets导入mnist
从keras.models导入顺序加载模型
从keras.layers.core导入密集、退出、激活
从keras.utils导入np_utils
（X_列，y_列），（X_测试，y_测试）=列表负载数据（）

我现在的问题是，在课程材料中，他们使用了这个功能：

training\u数字，training\u标签=mnist.train.next\u批次（5000）

keras无法使用该函数

next\u batch（）

，并且原始MNIST数据集相当大。有没有一个聪明的办法来解决这个问题

非常感谢

使用Keras中的Sequential（）。此Sequential（）有一个名为fit（）的方法，您可以在参数中设置batchSize。请参阅文档：

---

问题在于，您的教程使用的API与大多数当前教程中使用的keras数据集API不同。在使用

keras.dataset

API时，您正在尝试“跨流”

您（大体上）有三种选择：

选择1 只需坚持使用现有教程，忽略弃用警告即可。非常简单，但是您可能会错过KerasAPI（新的默认设置）的好处，除非您打算稍后了解这一点

选择2 完全切换到

keras

API并找到一个新教程。一个是仅几行代码中的MNIST示例：

mnist=tf.keras.datasets.mnist
（x_列，y_列），（x_测试，y_测试）=列表负载数据（）
x_系列，x_测试=x_系列/255.0，x_测试/255.0
模型=tf.keras.models.Sequential([
tf.keras.layers.Flatten（输入_形状=（28,28）），
tf.keras.layers.Dense（128，活化='relu'），
tf.keras.层压降（0.2），
tf.keras.layers.Dense（10，活化='softmax'）
])
model.compile（优化器='adam'，
损失=“稀疏”\u分类”\u交叉熵'，
指标=[‘准确度’]）
模型拟合（x_序列，y_序列，历次=5）
模型评估（x_检验，y_检验）

如果你可以的话，这是我推荐的选择

keras

是新的默认值。也许这不是一个选择，或者你想坚持你原来的课程，但我当然建议你尽快熟悉

keras

选择3 找到一种成功“跨越溪流”的方法

这是更棘手的，但肯定可以做到。mnist的

keras.dataset

毕竟只是一个大数组。您可以查看数据集API（特别是

load\u from\u tensor（）

和

load\u from\u tensor\u slices（）

）。但是，这些选项需要一些争论，因为从新方法返回的数据集本质上（正如您所发现的）与从旧方法返回的数据集是不同的类型

更新：

---

in提供了一个全面的例子，我以前没有意识到这一点

您可以设置批处理大小并使用此处描述的一次性迭代器（）

聪明的方法是使用教程中描述的方法，而不用担心“不推荐”和“警告”。当你在没有Keras的情况下学习它之后，你可以尝试用Keras来做。已经做过了，如果我在最初的帖子中不清楚的话，很抱歉。谢谢你，谢谢你的链接。我不太确定我是否理解文档。这看起来像我正在搜索的内容。我正试图把它融入我的代码中。我将批量大小设置为5000，但由于某种原因，当我尝试返回

（X\u train，y\u train）

时，我在查看形状时会遇到一个问号。尝试解决这个问题。但是，我如何将具有此形状的张量（例如，

TensorShape（[Dimension（None），Dimension（10）]）

转换为一个数组呢？对于火车数据，将数据大小从60000减少到5000，对于测试数据，将数据大小从10000减少到200。谢谢你的帮助！！！