目录
1 创建数据集
1.1 一维数据
1.2 二维数据
1.3 字典建立dataset
1.4 np.array建立dataset
2 数据集变化
2.1 乱序数据集 shuffle()
2.2 循环数据集 repeat()
2.2.1 无限循环
2.2.2 有限循环
2.3 设置批次 batch()
2.4 数值处理map()
tf.data这个是处理数据用的
首先我们导入库
1 创建数据集
1.1 一维数据
1.1 一维数据
我们现在使用from_tensor_slices把[1,2,3,4,5,6,7]这个列表作为数据集
然后我们显示出来看一下
我们可以发现这个没有办法直接显示出来，其中的shapes是代表每一个元素的shape，由于我们每一个元素是数字，所以shape是()
这个对象是可以遍历的，我们遍历一下
我们发现每一个对象都是tf,Tensor类型的
我们可以将其转换为numpy类型
1.2 二维数据
我们现在再将一个二维的列表作为数据集，这个时候我们就不能加7了，因为tf.data.Dataset要求每一个元素的形状与属性相同
如果是下面这样的话会报错
我们看一下dataset
由于我现在的元素长度为2，所以现在的shaps显示为(2,)，如果里面都有三个元素，那么shapes就为(3,)
然后再遍历dataset
1.3 字典建立dataset
每个元素的形状要相同，不然会报错
我们看一下刚刚创建的数据集
我们看一下它的shapes，shapes是一个字典，括号的意思是字典的值只有单一数字
我们遍历一遍dataset_dic
dataset_dic中一共有四个元素，每一个大括号算一个元素，每一个尖括号中的numpy是该键所对应的值
1.4 np.array建立dataset
效果与直接使用列表相同
首先导入numpy
看一下dataset整体
遍历
我们可以使用take的方法取出前指定个数的数据，比如我现在想取出前4个数据
2 数据集变化
2.1 乱序数据集 shuffle()
2.1 乱序数据集 shuffle()
将数据集乱序后在训练过程中，数据集中的数据顺序对结果的影响会大大降低
我们使用shuffle()进行乱序，参数是我们要乱序的个数，我们现在想将其所有内容都乱序
此时dataset的类型变为了ShuffleDataset
遍历结果
2.2 循环数据集 repeat()
2.2.1 无限循环
2.2.1 无限循环
现在我们的数据集类型变为RepearDataset
我们的效果是先乱序，后循环
由于我们使用for循环没有设置终止条件，所以它会无限的循环下去，也就是说dataset此时是无限长的数据集，我通过pycharm的暂停使它停止
2.2.2 有限循环
在repeat()中输入循环次数就可以达到有限循环的效果，我们现在想让其循环3次，也就是说我们现在dataset的长度是21
- 只截取了一头一尾
2.3 设置批次 batch()
当我们的数据集中的数据较多时，我们的内存无法将所有数据集中的数据一次都传进来，这个时候我们要定义批次
我们使用batch()定义批次，现在我们让3个数据在一个批次中
由于只循环了三次所以到这里就停止了
2.4 数值处理map()
我们可以对数据集中的数据进行同一的处理，比如说我下面对数据集中的所有数据进行平方运算
map()中的参数为要进行的算法，在tf中内置了，需要什么算法可以用的时候去网上查一下
