眼熟的代码块
这些代码块经常被使用。建议熟悉它们，并经常看看它们。
1.数据集相关
1.1 使用tensorflow自带的工具加载常见数据集
tensorflow包含了mnist、fashion-mnist、cifar-10、cifar-100以及boston_housing等数据集的下载、读取功能。读取这些数据，你需要import相关包：
from tensorflow.keras import datasets
tensorflow.keras.dataset包含的数据集读取方法返回训练集和测试集。
1.1.1 载入数据集中的数据
例子：载入mnist手写识别数据集中的数据：
(training_x, training_y), (testing_x, testing_y) = datasets.mnist.load_data()
例子：载入fashion-mnist服装数据集中的数据：
(training_x, training_y), (testing_x, testing_y) = datasets.fashion_mnist.load_data()
你应该大致掌握了相应方法，它有一个通用的写法：
(training_x, training_y), (testing_x, testing_y) = datasets.数据集名称.load_data()
这时你会得到四个数据部分，也就是训练集的图像training_x、训练图像对应的标签training_y、测试集的图像testing_x以及测试集的图像对应的标签testing_y。
此时你可以显示和检查一部分图片。详见本页的1.2 查看部分数据集中图像中相关内容。
1.1.2 构建数据集
此时应该让这些数据成为两个小数据集，第一个是训练数据集，第二个是测试数据集。你可以使用tensorflow.data.Dataset.from_tensor_slices()方法完成这个过程：
training_dataset = tf.data.Dataset.from_tensor_slices((training_x, training_y))
testing_dataset = tf.data.Dataset.from_tensor_slices((testing_x, testing_y))
当然，你也可以不这样做。具体取决于你希望怎么迭代你的数据集。上述方法也不仅限于从tensorflow工具包里导入的数据集，在本地的数据集也可以被这样构建为运行时数据集。
1.1.3 标准化和前处理
如果你不知道什么是标准化，请参考附录-常见名词中有关标准化、去量纲的词条。``
在训练图像数据时，特征图一般是float32的，并且要标准化。而对应的标签一般是整数（索引）。所以，我们一般对x和y做以下前处理：
training_x = (training_x.astype('float32') / 255.)
testing_x = (testing_x.astype('float32') / 255.)
1.1.4 指定batch大小以及将数据集打乱
在你经常看到各种SGD（参阅附录-常见名词中关于随机梯度下降的词条）方法中，需要批量取用数据集，也就是我们经常指定的batch。tensorflow也提供了指定Dataset对象batch size的方法：
training_dataset = training_dataset.batch(128)
在这之后，往往我们将数据集打乱：
training_dataset = training_dataset.shuffle(100)
testing_x和testing_y是否有必要打乱请自行根据需求决定。
1.1.5 总结
把上面的整个过程写在一起，就是：
import tensorflow as tf
from tensorflow.keras import datasets, layers, initializers
(training_x, training_y), (testing_x, testing_y) = datasets.fashion_mnist.load_data()
training_x = (training_x.astype('float32') / 255.)
testing_x = (testing_x.astype('float32') / 255.)
batch_size = 128
training_dataset = tf.data.Dataset.from_tensor_slices((training_x, training_y))
training_dataset = training_dataset.batch(batch_size)
testing_dataset = tf.data.Dataset.from_tensor_slices((testing_x, testing_y))
testing_dataset = testing_dataset.batch(batch_size)
于是你的到了一份可以直接投入训练和测试的数据集。
1.2 查看部分数据集中图像
当你导入了一些图片作为数据集时，可以显示一部分图片，检查导入的是否正确。这不是必要的，但是很好玩。我们定义一个这样的函数方便经常使用：
import matplotlib.pyplot as plt
import math
def check_image_in_dataset_via_plot(dataset, how_many: float = 36., gray_scale=False):
plt_width = math.ceil(how_many ** .5)
plt.figure(figsize=(plt_width, plt_width))
for i in range(round(how_many)):
plt.subplot(plt_width, plt_width, i + 1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
if not gray_scale:
plt.imshow(dataset[i])
else:
plt.imshow(dataset[i], cmap=plt.cm.binary)
# marking index under the picture
# plt.xlabel(class_names[labels[i][0]])
plt.show()
其中dataset是一个list，其中包含若干图片。how_many决定你要显示几张图片，gray_scale决定是否显示为灰度图（可以指定灰度是因为有的数据集确实是灰度图，比如fashion-mnist）。
举个使用的例子，我们导入了一份fashion-mnist数据集中的图片，显示其中的36灰度图：
check_image_in_dataset_via_plot(imsges, how_many=36, gray_scale=True)
其中images是图像的list。你会看到这样的显示：
