如何將 NumPy 特征和標簽 arrays 轉換為 TensorFlow 數據集，可用於 Z20F35E630DAF44DF854C3。

Question

我有兩個簡單的 NumPy arrays 功能和標簽：

features = np.array([
    [6.4, 2.8, 5.6, 2.2],
    [5.0, 2.3, 3.3, 1.0],
    [4.9, 2.5, 4.5, 1.7],
    [4.9, 3.1, 1.5, 0.1],
    [5.7, 3.8, 1.7, 0.3],
])
labels = np.array([2, 1, 2, 0, 0])

我將這兩個 NumPy arrays 轉換為 TensorFlow 數據集，如下所示：

dataset = tf.data.Dataset.from_tensor_slices((features, labels))

我定義並編譯了一個 model：

model = keras.Sequential([
    keras.layers.Dense(5, activation=tf.nn.relu, input_shape=(4,)),
    keras.layers.Dense(3, activation=tf.nn.softmax)
])
model.compile(
    optimizer=keras.optimizers.Adam(),
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

現在我嘗試使用fit()方法訓練 model ：

model.fit(dataset, epochs=100)

我得到錯誤：

ValueError: Error when checking input: expected dense_input to have shape (4,) but got array with shape (1,)

如果我將 NumPy 功能和標簽 arrays 直接提供給fit()方法，那么一切都很好。

model.fit(features, labels, epochs=100)

結果：

Train on 5 samples
Epoch 1/100
5/5 [==============================] - 0s 84ms/sample - loss: 1.8017 - accuracy: 0.4000

Epoch 2/100
5/5 [==============================] - 0s 0s/sample - loss: 1.7910 - accuracy: 0.4000

...............................
Epoch 100/100
5/5 [==============================] - 0s 0s/sample - loss: 1.2484 - accuracy: 0.2000

如果我理解正確，我需要創建 TensorFlow 數據集，它將返回 tuple (features, labels) 。 那么如何將 NumPy 特征和標簽 arrays 轉換為 TensorFlow 可用於model.fit()的數據集？

Answer 1

只需在創建Dataset時設置批量大小：

batch_size = 2
dataset = tf.data.Dataset.from_tensor_slices((features, labels)).batch(batch_size)