我有一个TensorFlow数据集，其中包含近15000个多色图像，每个图像具有168 * 84分辨率和标签 . 它的类型和形状是这样的：
<ConcatenateDataset形状：（（168,84,3，）（）），类型：（tf.float32，tf.int32）>
我需要用它来训练我的网络 . 这就是为什么我需要将它作为参数传递给我构建我的图层的函数：
def cnn_model_fn(features, labels, mode):
input_layer = tf.reshape(features["x"], [-1, 168, 84, 3])
# Convolutional Layer #1
conv1 = tf.layers.conv2d(
inputs=input_layer,
filters=32,
kernel_size=[5, 5],
padding="same",
activation=tf.nn.relu)
.
.
.
我试图通过使用tf.eval（）和np.ravel（）将每个张量转换为np.array（这是上面函数的正确类型，我猜） . 但我失败了 .
那么，如何将此数据集转换为正确的类型以将其传递给函数？
加
我是python和tensorflow的新手，我不认为我理解为什么有数据集，如果我们不能直接使用它们来构建图层（我在TensorFlow的网站btw中遵循教程） .
谢谢 .
1 回答
这听起来不像你使用Tensorflow数据集管道设置东西，这是这样做的指南：
https://www.tensorflow.org/programmers_guide/datasets
你可以遵循它（它是一个小的学习曲线来习惯），或者你可以将numpy数组作为
feed_dict参数的一部分传递给sess.run. 如果你这样走，那么你应该创建一个tf.placeholder，它将由feed_dict中的值填充 . 这里的许多基本教程示例都遵循以下方法：https://github.com/aymericdamien/TensorFlow-Examples