在 Keras 中使用 MNIST 数据

Question

我目前正在使用 MNIST 数据作为使用 numpy 和 tensorflow 课程的一部分。 我正在运行他们在课程中提供的代码，在运行这段代码时，我注意到来自 tensorflow 的一些警告：

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("../data/mnist_data/", one_hot=True)

我查看了文档并了解到这已被弃用，应该改用来自keras MNIST。 所以我把上面的代码改成了这样

from keras.datasets import mnist
from keras.models import Sequential, load_model
from keras.layers.core import Dense, Dropout, Activation
from keras.utils import np_utils

(X_train, y_train), (X_test, y_test) = mnist.load_data()

我现在的问题是在课程材料中他们使用了这个功能：

training_digits, training_labels = mnist.train.next_batch(5000)

该函数next_batch()在 keras 中不可用，并且原始 MNIST 数据集非常大。 keras 有没有聪明的方法来解决这个问题？

提前谢谢了！

Answer 1

您可以设置 batch_size 并使用单次迭代器（），如此处描述的Keras Mnist 文档

Answer 2

使用 Keras 中的 Sequential()。 这个 Sequential() 有一个叫做 fit() 的方法，你可以在参数中设置 batchSize。参见文档： keras Sequential

Answer 3

问题是您的教程使用的 API 与大多数当前教程中使用的 keras 数据集 API 不同。 在使用keras.dataset API 时，您正试图“跨越流”。

你（广义上）有三个选择：

选项1

只需坚持使用现有教程并忽略弃用警告。 超级简单，但除非您打算稍后学习，否则您可能会错过 keras api（新默认值）的好处

选项 2

完全切换到keras API 并找到一个新教程。 这是一个只有几行代码的 MNIST 示例：

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])


model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test, y_test)

如果它对您可用，这是我推荐的选项。 keras是新的默认值。 也许这不是一个选择，或者您想坚持原来的课程，但我当然建议您尽快熟悉keras 。

选项 3

找到一种成功“跨越河流”的方法。

这更棘手，但肯定可以做到。 keras.dataset的 keras.dataset 毕竟只是一个大数组。 您可以查看数据集 API（特别是load_from_tensor()和load_from_tensor_slices() ）。 但是，这些选项需要一些争论，因为本质上（正如您发现的那样）从新方法返回的数据集与从旧方法返回的数据集类型不同。

更新：

nag 的答案中的链接提供了一个我以前不知道的综合示例！