tensorflow中next_batch的具体使用

tensorflow

nextbatch

20 浏览量更新于2023-03-16 评论收藏 45KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

tensorflow中中next_batch的具体使用的具体使用

本篇文章主要介绍了tensorflow中next_batch的具体使用，小编觉得挺不错的，现在分享给大家，也给大家做个

参考。一起跟随小编过来看看吧

本文介绍了tensorflow中next_batch的具体使用，分享给大家，具体如下：

此处给出了几种不同的next_batch方法，该文章只是做出代码片段的解释，以备以后查看：

def next_batch(self, batch_size, fake_data=False):

"""Return the next `batch_size` examples from this data set."""

if fake_data:

fake_image = [1] * 784

if self.one_hot:

fake_label = [1] + [0] * 9

else:

fake_label = 0

return [fake_image for _ in xrange(batch_size)], [

fake_label for _ in xrange(batch_size)

]

start = self._index_in_epoch

self._index_in_epoch += batch_size

if self._index_in_epoch > self._num_examples: # epoch中的句子下标是否大于所有语料的个数，如果为True,开始新一轮的遍历

# Finished epoch

self._epochs_completed += 1

# Shuffle the data

perm = numpy.arange(self._num_examples) # arange函数用于创建等差数组

numpy.random.shuffle(perm) # 打乱

self._images = self._images[perm]

self._labels = self._labels[perm]

# Start next epoch

start = 0

self._index_in_epoch = batch_size

assert batch_size <= self._num_examples

end = self._index_in_epoch

return self._images[start:end], self._labels[start:end]

该段代码摘自mnist.py文件，从代码第12行start = self._index_in_epoch开始解释，_index_in_epoch-1是上一次batch个图片

中最后一张图片的下边，这次epoch第一张图片的下标是从 _index_in_epoch开始，最后一张图片的下标是

_index_in_epoch+batch, 如果 _index_in_epoch 大于语料中图片的个数，表示这个epoch是不合适的，就算是完成了语料的一

遍的遍历，所以应该对图片洗牌然后开始新一轮的语料组成batch开始

def ptb_iterator(raw_data, batch_size, num_steps):

"""Iterate on the raw PTB data.

This generates batch_size pointers into the raw PTB data, and allows

minibatch iteration along these pointers.

Args:

raw_data: one of the raw data outputs from ptb_raw_data.

batch_size: int, the batch size.

num_steps: int, the number of unrolls.

Yields:

Pairs of the batched data, each a matrix of shape [batch_size, num_steps].

The second element of the tuple is the same data time-shifted to the

right by one.

Raises:

ValueError: if batch_size or num_steps are too high.

"""

raw_data = np.array(raw_data, dtype=np.int32)

data_len = len(raw_data)

batch_len = data_len // batch_size #有多少个batch

data = np.zeros([batch_size, batch_len], dtype=np.int32) # batch_len 有多少个单词

for i in range(batch_size): # batch_size 有多少个batch

data[i] = raw_data[batch_len * i:batch_len * (i + 1)]

epoch_size = (batch_len - 1) // num_steps # batch_len 是指一个batch中有多少个句子

#epoch_size = ((len(data) // model.batch_size) - 1) // model.num_steps # // 表示整数除法

if epoch_size == 0:

raise ValueError("epoch_size == 0, decrease batch_size or num_steps")

for i in range(epoch_size):

x = data[:, i*num_steps:(i+1)*num_steps]

y = data[:, i*num_steps+1:(i+1)*num_steps+1]

yield (x, y)

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_38652270

粉丝: 3
资源: 893

会员权益专享

tensorflow中next_batch的具体使用

评论0

会员权益专享

最新资源

tensorflow中next_batch的具体使用

评论0

详解Tensorflow数据读取有三种方式（next_batch）

tensorflow tf.train.batch之数据批量读取方式

tensorflow 中 data_load函数

mnist.train.next_batch

module 'tensorflow._api.v2.train' has no attribute 'slice_input_producer'

请用python以Tensorflow为架构编写一个以这篇论文《Soft Actor-Critic: Off-Policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor》依据的SAC强化学习完整代码

用TensorFlow2搭建DQN模型

以上代码报错'tensorflow.python.framework.ops.EagerTensor' object has no attribute 'prob'

标签数据与独热（one-hot）编码 # next_batch () 实现内部会对数据集先做shuffle处理 #打印image plot_image(mnist.train.images[1]) # 打印imag对应的标签 print(mnist.train.labels[1])

请采用python基于Tensorflow架构提供基于最大熵的SAC版本的强化学习算法代码

AttributeError: module 'tensorflow._api.v2.train' has no attribute 'slice_input_producer'怎么解决

tensorflow中sess.run训练和预测传入的参数有何不同？代码怎么写？

视频编码中，用强化学习基于SATD来预测qp值的代码

请采用python以Tensorflow为架构编写一个包含1个actor网络，2个V Critic网络（1个V Critic网络，1个Target V Critic网络），2个Q Critic网络版本的SAC强化学习算法代码

input_queue = tf.train.slice_input_producer([image,label])使用最新的TensorFlow改

double DQN代码实现

Linux 平台基于 Qt5 的网速浮窗.zip

会员权益专享

最新资源