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 = mnist.train.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: 'tuple' object has no attribute 'train'

根据你的代码，你尝试使用 `mnist.train.next_batch(100)` 访问训练集的批次数据，但是出现了 `AttributeError: 'tuple' object has no attribute 'train'` 的错误。

这个错误是因为 `mnist` 是一个元组对象，而元组对象没有名为 `train` 的属性。根据你的代码逻辑，你可能想要使用 `train_img` 和 `train_label` 这两个变量来代替 `mnist.train_images` 和 `mnist.train_labels`。

所以，你可以将 `batch_xs, batch_ys = mnist.train.next_batch(100)` 这一行代码修改为：

batch_xs, batch_ys = train_img.next_batch(100)

这样就可以解决这个错误了。请确保你已经正确地定义了 `train_img` 和 `train_label`。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。

相关问题

mnist = tf.keras.datasets.mnist.怎么改成中文手写数据集

mnist是一个非常著名的手写数字数据集，其中包含了0-9的数字的灰度图像和对应的标签。在TensorFlow中，我们可以使用tf.keras.datasets.mnist模块轻松地载入这个数据集，代码如下：

import tensorflow as tf
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

如果您想使用中文手写数据集，需要先准备好一个中文手写数据集，并将其转换成适当的格式。一种常见的格式是将图像数据保存在一个numpy数组中，标签数据保存在另一个numpy数组中。例如：

import numpy as np
images = np.load('chinese_handwriting_images.npy')
labels = np.load('chinese_handwriting_labels.npy')

然后，您可以将这些数据用于训练模型，例如：

import tensorflow as tf
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='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
model.fit(images, labels, epochs=10)

当然，这只是一个示例，您需要根据您的具体情况进行相应的调整。

mnist = tf.keras.datasets.mnist

mnist = tf.keras.datasets.mnist是一个用于手写数字识别的数据集。它包含了60,000个用于训练的手写数字图像和10,000个用于测试的手写数字图像。每个图像都是28x28像素的灰度图像，每个像素的值在0到255之间。这个数据集通常被用来测试机器学习算法的性能，特别是在图像分类方面。在引用中，train_images和train_labels是用于训练的图像和标签，test_images和test_labels是用于测试的图像和标签。