Python 使用tf.data.Dataset训练DL模型

我正在尝试做一个简单的深入学习任务，学习如何使用Tensorflow（尤其是它的数据集工具）。任务如下：训练一个模型，该模型可以判断给定浮点数序列（长度固定）的和是正（标记为1）还是负（标记为0）

我在没有使用tf.data.Dataset的情况下完成了以下操作，效果很好

def get_rand_seq（）：
返回[rand.uniform（-1,1）表示范围（6）]
n=1000
X=np.数组（[get_rand_seq（）表示范围（n）]）
y=np.数组（[0如果和（序列）小于0，则为0，否则为1，表示X中的序列]）
model=tf.keras.models.Sequential（）
model.add（tf.keras.layers.Dense（16，input_shape=（6，），activation='relu'））
model.add（tf.keras.layers.Dense（4，activation='relu'））
model.add（tf.keras.layers.density（1，activation='sigmoid'））
compile（优化器='adam'，loss='binary\u crossentropy'，metrics=['acc']）
模型拟合（X，y，历次=10，批次大小=4）

尽管如此，当我尝试使用tf.data.Dataset输入执行相同操作时，我在训练步骤

model.fit（…）

这是我的密码：

ds\ux=tf.data.Dataset.from\u tensor\u切片（X）
ds_y=tf.data.Dataset.from_tensor_切片（y）
ds=tf.data.Dataset.zip（（ds_X，ds_y））
model=tf.keras.models.Sequential（）
model.add（tf.keras.layers.Dense（16，input_shape=（6，），activation='relu'））
model.add（tf.keras.layers.Dense（4，activation='relu'））
model.add（tf.keras.layers.density（1，activation='sigmoid'））
compile（优化器='adam'，loss='binary\u crossentropy'，metrics=['acc']）
模型拟合（ds，历次=10，批量大小=4）

我得到以下错误：

ValueError: Input 0 of layer sequential_5 is incompatible with the layer: expected axis -1 of input shape to have value 6 but received input with shape [6, 1]

即使将输入形状更改为（6，1）也无法使其工作

---

有没有一个善良的灵魂可以启发像我这样迷路的羊？

在使用

tf.data.Dataset

时，不要在

model.fit

中使用

batch\u size

参数。您应该对数据集本身采取行动（请记住，对数据集的任何操作，如批处理、疏解等…不会更改数据集的位置，这意味着将返回具有新属性的数据集副本，并且应覆盖数据集）

此外，不需要创建两个不同的数据集并对其进行压缩。您可以为工厂方法提供一个元组，用于

tf.data.Dataset.from\u tensor\u slices

import tensorflow as tf 
import numpy as np

def get_rand_seq():
    return [np.random.uniform(-1, 1) for _ in range(6)]

n = 1000
X = np.array([get_rand_seq() for _ in range(n)])
y = np.array([0 if sum(seq) < 0 else 1 for seq in X])
ds = tf.data.Dataset.from_tensor_slices((X, y)).batch(4)

# equivalent is 
# ds = tf.data.Dataset.from_tensor_slices((X, y))
# ds = ds.batch(4) # not in-place

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Dense(16, input_shape=(6, ), activation='relu'))
model.add(tf.keras.layers.Dense(4, activation='relu'))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])

model.fit(ds, epochs=1000)

将tensorflow导入为tf
将numpy作为np导入
def get_rand_seq（）：
返回[np.random.uniform（-1,1）表示范围（6）]
n=1000
X=np.数组（[get_rand_seq（）表示范围（n）]）
y=np.数组（[0如果和（序列）小于0，则为0，否则为1，表示X中的序列]）
ds=tf.data.Dataset.from_tensor_切片（（X，y））.batch（4）
#等价物是
#ds=tf.data.Dataset.from_张量_切片（（X，y））
#ds=ds.批次（4）#未到位
model=tf.keras.models.Sequential（）
model.add（tf.keras.layers.Dense（16，input_shape=（6，），activation='relu'））
model.add（tf.keras.layers.Dense（4，activation='relu'））
model.add（tf.keras.layers.density（1，activation='sigmoid'））
compile（优化器='adam'，loss='binary\u crossentropy'，metrics=['acc']）
模型拟合（ds，历元=1000）