如何在tensorflow数据集api中添加随机操作？_Tensorflow_Deep Learning

如何在tensorflow数据集api中添加随机操作？

tensorflow deep-learning

如何在tensorflow数据集api中添加随机操作？,tensorflow,deep-learning,Tensorflow,Deep Learning,我想在py_func运算中生成随机数据，但是当我运行这段代码时，我会得到不同的随机数据，这在这段代码中是一样的我认为问题来自tf.data.Dataset.mapapi。当我得到d5的值时，它将运行两次random函数，在这种情况下，d3和d4将得到不同的值谢谢将tensorflow导入为tf 将numpy作为np导入 def随机（x）： def随机_ux： x=np.float32（np.random.rand（））打印（“随机运行”）返回x，x 返回tf.compat.v1.py_

我想在py_func运算中生成随机数据，但是当我运行这段代码时，我会得到不同的随机数据，这在这段代码中是一样的

我认为问题来自

tf.data.Dataset.map

api。当我得到d5的值时，它将运行两次

random

函数，在这种情况下，d3和d4将得到不同的值

谢谢

将tensorflow导入为tf
将numpy作为np导入
def随机（x）：
def随机_ux：
x=np.float32（np.random.rand（））
打印（“随机运行”）
返回x，x
返回tf.compat.v1.py_func(
随机的，
[x] ,，
[tf.float32，tf.float32]，
name=“随机生成”）
d1=tf.data.Dataset.from_张量_切片（tf.zeros（10））
d2=d1.映射（随机）
d3=d2.map（λx1，x2:x1）
d4=d2.map（λx1，x2:x2）
d5=tf.data.Dataset.zip（（d3，d4））
it=d5.make_one_shot_iterator（）
fetch=it.get_next（）
使用tf.Session（）作为sess：
尽管如此：
X=sess.run（fetch）
打印（X）

根据-

将map_func映射到此数据集的元素

此转换将map_func应用于此数据集的每个元素，并在与它们在输入中出现的顺序相同。map_func可用于更改数据集元素的值和结构。对于例如，向每个元素添加1，或投影元素的子集组成部分

我认为最好将

map

功能作为管道的一部分。每次运行

map

，数据都不会发生任何变化。相反，在后台进行一系列操作。请注意，这些转换是惰性执行的。只有当您实际从数据集请求数据时（如使用for循环和批处理），数据集中的源数据才会通过管道传送。此时，每个

map

将应用于图像或批次

作为替代方案，您可以满足以下要求-

代码-

%tensorflow_version 1.x
import tensorflow as tf
import numpy as np

def random(x):
  x = np.float32(np.random.rand())
  print("run random_")
  return x

a = []
for i in range(10):
  a.append(random(i))

d1 = tf.data.Dataset.from_tensor_slices(a)

d5 = tf.data.Dataset.zip( (d1,d1) )

it = d5.make_one_shot_iterator()
fetch = it.get_next()
with tf.Session() as sess:
    while True:
        X = sess.run(fetch)
        print(X)

输出-

run random_
run random_
run random_
run random_
run random_
run random_
run random_
run random_
run random_
run random_
WARNING:tensorflow:From <ipython-input-2-ee4ae8ca7ce4>:18: DatasetV1.make_one_shot_iterator (from tensorflow.python.data.ops.dataset_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use `for ... in dataset:` to iterate over a dataset. If using `tf.estimator`, return the `Dataset` object directly from your input function. As a last resort, you can use `tf.compat.v1.data.make_one_shot_iterator(dataset)`.
(0.6963448, 0.6963448)
(0.92889917, 0.92889917)
(0.054273304, 0.054273304)
(0.3719434, 0.3719434)
(0.33791015, 0.33791015)
(0.873847, 0.873847)
(0.66726416, 0.66726416)
(0.77356577, 0.77356577)
(0.4188753, 0.4188753)
(0.8886825, 0.8886825)

随机运行_
乱跑_
乱跑_
乱跑_
乱跑_
乱跑_
乱跑_
乱跑_
乱跑_
乱跑_
警告：tensorflow:From:18:DatasetV1.make_one_shot_迭代器（来自tensorflow.python.data.ops.dataset_ops）已弃用，将在未来版本中删除。
更新说明：
用`表示。。。在数据集中：`在数据集上迭代。如果使用'tf.estimator'，则直接从输入函数返回'Dataset'对象。最后，您可以使用`tf.compat.v1.data.make_one_shot_iterator（dataset）`。
(0.6963448, 0.6963448)
(0.92889917, 0.92889917)
(0.054273304, 0.054273304)
(0.3719434, 0.3719434)
(0.33791015, 0.33791015)
(0.873847, 0.873847)
(0.66726416, 0.66726416)
(0.77356577, 0.77356577)
(0.4188753, 0.4188753)
(0.8886825, 0.8886825)

希望这能回答你的问题。快乐学习。

按照-