train_db = train_dataset.shuffle(10000).batch(batch_size) AttributeError: 'numpy.ndarray' object has no attribute 'shuffle'

这个错误意味着你正在尝试对一个 NumPy 数组对象使用 `shuffle()` 方法，而该方法只能用于 TensorFlow 数据集对象。要解决此问题，你需要将 NumPy 数组转换为 TensorFlow 数据集对象。

你可以使用 `tf.data.Dataset.from_tensor_slices()` 方法将 NumPy 数组转换为 TensorFlow 数据集对象，如下所示：

train_db = tf.data.Dataset.from_tensor_slices((train_dataset, train_labels))
train_db = train_db.shuffle(10000).batch(batch_size)

在这里，我们首先将训练数据集和标签作为元组传递给 `from_tensor_slices()` 方法，然后我们将其转换为 TensorFlow 数据集对象，并使用 `shuffle()` 和 `batch()` 方法对其进行相应的操作。

相关问题

train_input_fn = tf.estimator.inputs.numpy_input_fn( AttributeError: module 'tensorflow' has no attribute 'estimator'

在TensorFlow 2.x版本中，`tf.estimator`模块已经被弃用，取而代之的是Keras API，它不再提供直接的`numpy_input_fn`函数。如果你想要创建输入函数以用于训练模型，你应该使用`tf.data.Dataset`配合`tf.keras.utils`中的`to_numpy()`方法。这里是一个简单的例子：

import tensorflow as tf

def train_input_fn(x_data, y_data, batch_size, num_epochs=None):
    dataset = tf.data.Dataset.from_tensor_slices((x_data, y_data))
    if num_epochs is None:
        num_epochs = int(np.inf)  # 如果不想设置固定周期，可以设置为无穷大
    dataset = dataset.shuffle(buffer_size=len(x_data), reshuffle_each_iteration=True)
    dataset = dataset.repeat(num_epochs).batch(batch_size)
    return dataset.batch(batch_size).prefetch(tf.data.AUTOTUNE)

# 使用示例
x_train = ...  # 输入特征数据
y_train = ...  # 输入标签数据
train_dataset = train_input_fn(x_train, y_train, batch_size=32)

在这个例子中，`train_input_fn`接受输入数据、标签数据、批次大小以及可选的迭代次数，然后生成了一个可以在Keras模型上使用的`tf.data.Dataset`。

mnist = tf.keras.datasets.mnist.load_data() train_img = mnist[0][0] # 表示训练集 构成的矩阵 表示的 图片 test_img = mnist[1][0] # 表示测试集 构成的矩阵 表示的 图片 train_label = mnist[0][1] # 表示训练集 的图片 表示的 数字是多少 test_label = mnist[1][1] with tf.Session() as sess: init = tf.global_variables_initializer() sess.run(init) start = time.time() for i in range(max_epoch): batch_xs, batch_ys = train_img.next_batch(100) # 此batch是个2维tuple，batch[0]是(100，784)的样本数据数组，batch[1]是(100，10)的样本标签数组 sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys, keep_prob: keep_prob_rate}) if (i+1) % 50 == 0: print("step %d, test accuracy %g" % ((i+1), compute_accuracy( mnist.test_images, mnist.test_labels))) end = time.time() print('******************************************************') print("运行时间:%.2f秒" % (end - start)) 出现AttributeError: 'numpy.ndarray' object has no attribute 'next_batch'

根据你的代码，你尝试在 `train_img` 上调用 `next_batch` 属性，但是出现了 `AttributeError: 'numpy.ndarray' object has no attribute 'next_batch'` 的错误。

这个错误是因为 `train_img` 是一个 NumPy 数组对象，而 NumPy 数组没有名为 `next_batch` 的属性。根据你的代码逻辑，你可能想要使用 TensorFlow 中的数据集对象（例如 `tf.data.Dataset`）来获取批次数据。

你可以使用 `tf.data.Dataset.from_tensor_slices` 方法来创建一个数据集对象，并使用 `batch` 方法来获取批次数据。以下是一个示例：

import tensorflow as tf
mnist = tf.keras.datasets.mnist.load_data()
train_img = mnist[0][0] # 表示训练集 构成的矩阵 表示的 图片
train_label = mnist[0][1] # 表示训练集 的图片 表示的 数字是多少

# 创建数据集对象
dataset = tf.data.Dataset.from_tensor_slices((train_img, train_label))
# 对数据集进行乱序处理和批次化处理
dataset = dataset.shuffle(buffer_size=10000).batch(100)

# 创建迭代器
iterator = dataset.make_initializable_iterator()
next_batch = iterator.get_next()

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    sess.run(iterator.initializer)  # 初始化迭代器
    start = time.time()
    for i in range(max_epoch):
        batch_xs, batch_ys = sess.run(next_batch)
        sess.run(train_step, feed_dict={xs: batch_xs, ys: batch_ys, keep_prob: keep_prob_rate})
        if (i+1) % 50 == 0:
            print("step %d, test accuracy %g" % ((i+1), compute_accuracy(
                mnist.test_images, mnist.test_labels)))
    end = time.time()
    print('******************************************************')
    print("运行时间:%.2f秒" % (end - start))

这样，你就可以正确地获取批次数据并进行训练了。请确保你已经正确地定义了 `xs`、`ys`、`train_step`、`compute_accuracy` 等变量。如果还有其他问题，请提供更多的上下文或完整的代码，以便我能够更好地帮助你。