如何正确组合TensorFlow的数据集API和Keras？

确实有一种更有效的使用方法，Dataset而不必将张量转换为numpy数组。但是，官方文档上还没有（尚未？）。在发行说明中，它是Keras 2.0.7中引入的功能。您可能需要安装keras> = 2.0.7才能使用它。

x = np.arange(4).reshape(-1, 1).astype('float32')ds_x = Dataset.from_tensor_slices(x).repeat().batch(4)it_x = ds_x.make_one_shot_iterator()y = np.arange(5, 9).reshape(-1, 1).astype('float32')ds_y = Dataset.from_tensor_slices(y).repeat().batch(4)it_y = ds_y.make_one_shot_iterator()input_vals = Input(tensor=it_x.get_next())output = Dense(1, activation='relu')(input_vals)model = Model(inputs=input_vals, outputs=output)model.compile('rmsprop', 'mse', target_tensors=[it_y.get_next()])model.fit(steps_per_epoch=1, epochs=5, verbose=2)

几个区别：

1. 将

   tensor

   参数提供给该Input层。Keras将从该张量读取值，并将其用作拟合模型的输入。
2. 将

   target_tensors

   论据提供给

   Model.compile()

   。
3. 请记住将x和y都转换为float32。在正常使用情况下，Keras将为您完成此转换。但是现在您必须自己做。
4. 批处理大小是在构建时指定的Dataset。使用

   steps_per_epoch

   和epochs控制何时停止模型拟合。
   总之，使用

   Input(tensor=...)

   ，

   model.compile(target_tensors=...)

   并且

   model.fit(x=None, y=None, ...)

   如果你的数据是从张量读取。