tersorflow的mnist数据集构建batch

TensorFlow 的 MNIST 数据集是一个常用的手写数字识别数据集，包含了训练集和测试集。构建批次（Batching）是为了在训练神经网络时提高效率，通常我们会一次处理一部分样本，而不是整个数据集。以下是使用 TensorFlow 构建 MNIST 数据集批次的基本步骤：

1. 导入所需库和数据集：

import tensorflow as tf
from tensorflow.keras.datasets import mnist

2. 加载并预处理数据：

(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 归一化像素值范围到0-1之间
x_train, x_test = x_train / 255.0, x_test / 255.0
# 将数据转换为浮点数
x_train, x_test = x_train.astype('float32'), x_test.astype('float32')
# 将标签转换为 one-hot 编码
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)
y_test = tf.keras.utils.to_categorical(y_test, num_classes=10)

3. 定义批量大小和批次生成器：

BATCH_SIZE = 64
def create_batches(data, labels, is_training=True):
    data = tf.data.Dataset.from_tensor_slices((data, labels))
    if is_training:
        data = data.shuffle(10000)  # 添加随机洗牌以创建不同的批次顺序
    data = data.batch(BATCH_SIZE).repeat()  # 创建无限循环的数据流
    return data
train_dataset = create_batches(x_train, y_train, True)
test_dataset = create_batches(x_test, y_test, False)

现在你可以通过 `next(train_dataset.take(1))` 来查看一个批次的数据样例。