Carregar dados NumPy

Este tutorial fornece um exemplo de carregamento de dados de matrizes NumPy para um tf.data.Dataset.

Este exemplo carrega o conjunto de dados MNIST de um arquivo .npz. No entanto, a fonte das matrizes NumPy não é importante.

try:
  # %tensorflow_version only exists in Colab.
  %tensorflow_version 2.x
except Exception:
  pass
from __future__ import absolute_import, division, print_function, unicode_literals

import numpy as np
import tensorflow as tf

Carregar um arquivo .npz

DATA_URL = 'https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz'

path = tf.keras.utils.get_file('mnist.npz', DATA_URL)
with np.load(path) as data:
  train_examples = data['x_train']
  train_labels = data['y_train']
  test_examples = data['x_test']
  test_labels = data['y_test']
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 0s 0us/step

Carregar matrizes NumPy com tf.data.Dataset

Supondo que você tenha uma matriz de exemplos e uma matriz correspondente de rótulos, passe as duas matrizes como uma tupla para tf.data.Dataset.from_tensor_slices para criar um tf.data.Dataset.

train_dataset = tf.data.Dataset.from_tensor_slices((train_examples, train_labels))
test_dataset = tf.data.Dataset.from_tensor_slices((test_examples, test_labels))

Usar o conjunto de dados

Aleatório e lote dos conjuntos de dados

BATCH_SIZE = 64
SHUFFLE_BUFFER_SIZE = 100

train_dataset = train_dataset.shuffle(SHUFFLE_BUFFER_SIZE).batch(BATCH_SIZE)
test_dataset = test_dataset.batch(BATCH_SIZE)

Construir e treinar um modelo

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

model.compile(optimizer=tf.keras.optimizers.RMSprop(),
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['sparse_categorical_accuracy'])
model.fit(train_dataset, epochs=10)
Epoch 1/10
938/938 [==============================] - 2s 2ms/step - loss: 3.8568 - sparse_categorical_accuracy: 0.8812
Epoch 2/10
938/938 [==============================] - 2s 2ms/step - loss: 0.5658 - sparse_categorical_accuracy: 0.9249
Epoch 3/10
938/938 [==============================] - 2s 2ms/step - loss: 0.3991 - sparse_categorical_accuracy: 0.9444
Epoch 4/10
938/938 [==============================] - 2s 2ms/step - loss: 0.3187 - sparse_categorical_accuracy: 0.9535
Epoch 5/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2875 - sparse_categorical_accuracy: 0.9588
Epoch 6/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2688 - sparse_categorical_accuracy: 0.9628
Epoch 7/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2371 - sparse_categorical_accuracy: 0.9674
Epoch 8/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2286 - sparse_categorical_accuracy: 0.9700
Epoch 9/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2157 - sparse_categorical_accuracy: 0.9718
Epoch 10/10
938/938 [==============================] - 2s 2ms/step - loss: 0.2115 - sparse_categorical_accuracy: 0.9736
<tensorflow.python.keras.callbacks.History at 0x7f401a9bff98>
model.evaluate(test_dataset)
157/157 [==============================] - 0s 2ms/step - loss: 0.7278 - sparse_categorical_accuracy: 0.9533
[0.7278250455856323, 0.9532999992370605]