Tensorflow 实验数据集

我有下面的代码，我正在尝试，这对培训工作很好

作为练习，我尝试将其转换为数据集并在数据集上进行训练，但没有成功

def gen_labels(series, nums):
  raw_labels=[]
  labels =[]
  for i in range(0,nums):
    sum = 0
    for j in range(0,28):
      for k in range(0,28):        
        sum+=(math.cos(series[i][j][k])+j*2-k*2)*(math.sin(series[i][j][k])+j*2-k*2)
    n = random.random()
    sum = sum+(n-0.5)*28*28*100
    raw_labels.append(sum)   
    if sum > 405000:
      sum = 1.0
    else:
      sum = 0.0
    labels.append(sum)  
  print(raw_labels)  
  return np.asarray(labels)

num_samples = 100
series = np.random.rand(num_samples,28,28)
labels = gen_labels(series,num_samples)

valid_series = np.random.rand(num_samples,28,28)
valid_labels = gen_labels(valid_series,num_samples)


input = tf.keras.layers.Input((28,28,1))
x = tf.keras.layers.Conv2D(64, (3,3), activation="relu")(input)
x = tf.keras.layers.Flatten()(x)

model = tf.keras.Model(input, x)
model.compile(loss='mse',
              optimizer='adam',
              metrics=['accuracy'])

history = model.fit(series, labels, epochs=30,verbose=2, validation_data = (valid_series, valid_labels))

我尝试了一些方法，例如尝试合并系列和标签，但没有成功：

train_ds = tf.data.Dataset.from_tensor_slices(series)
...
history = model.fit(train_ds, epochs=30,verbose=2, validation_data = vtrain_ds)

我最后一次尝试的是制作我的系列a（100,28,28,1）形状，并将结果存储在最后一个维度上

def gen_labels(series, nums):
  raw_labels=[]
  labels =[]
  series = np.expand_dims(series, axis=-1)
  for i in range(0,nums):
    sum = 0
    for j in range(0,28):
      for k in range(0,28):        
        sum+=(math.cos(series[i][j][k])+j*2-k*2)*(math.sin(series[i][j][k])+j*2-k*2)
    n = random.random()
    sum = sum+(n-0.5)*28*28*100
    raw_labels.append(sum)   
    if sum > 405000:
      sum = 1.0
    else:
      sum = 0.0
    labels.append(sum)
    series[i][j][k][0] = sum
  print(series)    
  return series 

但在培训时，我会得到： 警告：tensorflow:为输入KerasTensor传感器（type_spec=TensorSpec（shape=（None，28，28，1），dtype=tf.float32，name='input_6'），name='input_6'，description=（由层'input_6'创建）构建了该模型，但在具有不兼容形状（28，28，1，1）的输入上调用了该模型 最初，我想做一些类似于timeseries的事情，我将使用map方法ie将最后一列放入一个单独的维度中

dataset = dataset.map(lambda w: (w[:-1], w[1:]))

---

如果我想在这种情况下使用数据集，您认为最好的方法是什么？

不确定数据是什么，但在创建数据集时需要指定标签，例如：

train\ds=tf.data.dataset.from\u tensor\u切片（（系列，标签））

此外，如果这是一个二进制分类问题，使用

loss='binary\u crossentropy'

更合适

您还需要使用

data重塑数据。重塑（28,28,1）

最后，应该停止使用变量名，如

sum

和

input

。这些是保留关键字，在其中存储变量可能会导致意外结果

这样创建数据集应该是可行的。需要批处理数据集。在本例中，

系列

的形状为

（n_样本，28,28,1）

---

不确定数据是什么，但在创建数据集时需要指定标签，例如：

train\u ds=tf.data.dataset.from\u tensor\u切片（（系列，标签））

此外，如果这是一个二进制分类问题，使用

loss='binary\u crossentropy'

更合适

您还需要使用

data重塑数据。重塑（28,28,1）

最后，应该停止使用变量名，如

sum

和

input

。这些是保留关键字，在其中存储变量可能会导致意外结果

这样创建数据集应该是可行的。需要批处理数据集。在本例中，

系列

的形状为

（n_样本，28,28,1）

---

谢谢，我真的很感谢你的总结和意见以及。我想知道是否有一个约定或一个已知关键字的列表我应该避免。关于数据。重塑（28,28,21）是一个系列。重塑（28,28,1）我尝试了28,28,1的系列，但它看起来很奇怪，所以我尝试了（100,28,28,1），这是没有成功的输入数，我目前正在检查数据集api，看看是否有什么是的，您应该将形状改为（100,28,28,1）。您还需要替换原始变量，如下所示：series=series.reformate（100,28,28,1）。至于命名，您可以在代码部分中看到保留关键字是橙色的。避免使用这些词。谢谢，我想我没有得到颜色，因为我的编辑会马上与pycharm核实。关于重塑，如果我做（100,28,28,1），tensorflow会抱怨拟合方法的形状是（28,28,1,1），但如果我不做重塑，它会抱怨形状是（28,28）编辑的我的答案。你需要批处理你的数据集。谢谢。我真的很感谢你对总和和输入的评论。我想知道是否有一个约定或一个已知关键字的列表我应该避免。关于数据。重塑（28,28,21）是一个系列。重塑（28,28,1）我尝试了28,28,1的系列，但它看起来很奇怪，所以我尝试了（100,28,28,1），这是没有成功的输入数，我目前正在检查数据集api，看看是否有什么是的，您应该将形状改为（100,28,28,1）。您还需要替换原始变量，如下所示：series=series.reformate（100,28,28,1）。至于命名，您可以在代码部分中看到保留关键字是橙色的。避免使用这些词。谢谢，我想我没有得到颜色，因为我的编辑会马上与pycharm核实。关于重塑，如果我做（100,28,28,1），tensorflow会抱怨拟合方法的形状是（28,28,1,1），但如果我不做重塑，它会抱怨形状是（28,28）编辑的我的答案。您需要批处理数据集。

train_ds = tf.data.Dataset.from_tensor_slices((series,labels)).batch(5)
valid_ds = tf.data.Dataset.from_tensor_slices((valid_series,valid_labels)).batch(5)