阅读量:0
在TensorFlow中，可以使用tf.data.Dataset类来加载和处理数据集，并使用model.fit()方法来训练模型。以下是一个简单的示例代码：
import tensorflow as tf # 加载数据集 (train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data() train_images = train_images / 255.0 test_images = test_images / 255.0 # 创建Dataset对象 train_dataset = tf.data.Dataset.from_tensor_slices((train_images, train_labels)) test_dataset = tf.data.Dataset.from_tensor_slices((test_images, test_labels)) # 对数据集进行预处理 train_dataset = train_dataset.shuffle(60000).batch(32) test_dataset = test_dataset.batch(32) # 创建模型 model = tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 在线训练模型 model.fit(train_dataset, epochs=5, validation_data=test_dataset) 在这个示例中，我们加载了MNIST数据集，并使用tf.data.Dataset.from_tensor_slices()方法创建了训练和测试数据集。我们对数据集进行了预处理，并使用model.fit()方法来训练模型。在训练过程中，模型会在每个epoch结束后对测试数据集进行验证。
