：解决WARNING:tensorflow:From ：read_data_sets (from tensorflow.contrib.learn.python.learn.

小鱼儿 2024-02-20 11:05 9阅读 0赞

**目录**

解决 "WARNING: tensorflow: From" 错误信息

问题描述

解决方法

总结

--------------------

### 解决 "WARNING: tensorflow: From" 错误信息 ###

在使用 TensorFlow 进行深度学习任务时，经常会遇到一些警告信息，其中之一就是 "WARNING:tensorflow:From"。这个警告信息通常出现在使用 `tensorflow.contrib.learn.python.learn` 模块中的 `read_data_sets` 函数时。本篇博客将介绍如何解决这个警告信息。

### 问题描述 ###

当我们在代码中引入 `from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets` 时，可能会遇到以下警告信息：

plaintextCopy codeWARNING:tensorflow:From /path/to/your/file.py:3 in read_data_sets (from tensorflow.contrib.learn.python.learn.datasets.mnist) is deprecated and will be removed in a future version.

这个警告信息表明 `read_data_sets` 函数已经弃用，并且在将来的 TensorFlow 版本中将被移除。虽然这个警告是为了提醒开发者及时更新代码，但它可能会干扰我们的正常工作。

### 解决方法 ###

为了解决这个问题，我们需要更新我们的代码，以使用新的 `tensorflow.keras.datasets` 模块。这个模块是 TensorFlow 2.0 引入的，将取代 `tensorflow.contrib.learn.python.learn` 模块。 下面是使用新的模块来替换旧的 `read_data_sets` 函数的代码示例：

pythonCopy codeimport tensorflow as tf
    from tensorflow.keras.datasets import mnist
    # 加载 MNIST 数据集
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    # 处理数据...

通过上述代码，我们使用 `tensorflow.keras.datasets` 模块中的 `mnist.load_data()` 函数替换了旧的 `read_data_sets` 函数。这样，就可以避免出现 "WARNING:tensorflow:From" 的警告信息，并且能够正常加载 MNIST 数据集。

### 总结 ###

通过更新我们的代码，使用新的 `tensorflow.keras.datasets` 模块，我们可以解决 "WARNING:tensorflow:From" 警告信息。这不仅可以保证我们的代码在将来的 TensorFlow 版本中能正常工作，还能避免干扰我们的开发过程。

在实际应用中，我们可以结合使用 TensorFlow 和 Keras 来构建机器学习模型，解决分类问题。下面是一个使用新的 `tensorflow.keras.datasets` 模块加载 MNIST 手写数字数据集的示例代码：

pythonCopy codeimport tensorflow as tf
    from tensorflow.keras.datasets import mnist
    from tensorflow.keras.models import Sequential
    from tensorflow.keras.layers import Dense, Flatten
    # 加载 MNIST 数据集
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    # 预处理数据
    x_train = x_train / 255.0
    x_test = x_test / 255.0
    # 构建模型
    model = Sequential([
        Flatten(input_shape=(28, 28)),
        Dense(128, activation='relu'),
        Dense(10, activation='softmax')
    ])
    # 编译模型
    model.compile(optimizer='adam',
                  loss='sparse_categorical_crossentropy',
                  metrics=['accuracy'])
    # 训练模型
    model.fit(x_train, y_train, epochs=5)
    # 评估模型
    test_loss, test_acc = model.evaluate(x_test, y_test)
    print('Test accuracy:', test_acc)

在上述代码中，我们首先使用 `mnist.load_data()` 函数从 `tensorflow.keras.datasets` 模块中加载 MNIST 手写数字数据集。然后对数据进行预处理，将像素值缩放到 0 到 1 之间。接着，我们构建了一个简单的神经网络模型，使用两个全连接层和激活函数进行分类。编译模型后，我们使用训练集进行训练，并在测试集上评估模型的性能。 通过这个示例代码，我们展示了如何在实际应用中使用新的 `tensorflow.keras.datasets` 模块加载数据集，并构建、训练和评估模型。同时，也能避免出现 "WARNING:tensorflow:From" 的警告信息。

`read_data_sets` 函数是 TensorFlow 中的一个函数，用于读取和加载数据集。它通常用于加载计算机视觉任务中常用的数据集，例如 MNIST、CIFAR-10 等。 `read_data_sets` 函数的语法如下：

pythonCopy coderead_data_sets(train_dir, validation_size=0, test_size=0, one_hot=False, dtype=tf.float32, reshape=True, seed=None)

参数说明：

*  `train_dir`：训练数据集的目录。
 *  `validation_size`：可选参数，用于指定验证集的大小（默认为 0）。
 *  `test_size`：可选参数，用于指定测试集的大小（默认为 0）。
 *  `one_hot`：可选参数，一个布尔值，用于指定是否将标签转换为 one-hot 向量（默认为 False）。
 *  `dtype`：可选参数，用于指定返回数组的数据类型（默认为 `tf.float32`）。
 *  `reshape`：可选参数，一个布尔值，用于指定是否对数据进行形状重塑（默认为 True）。
 *  `seed`：可选参数，用于指定随机数种子。 返回值：
 *  返回一个具有多个属性的命名元组，包含了训练集、验证集和测试集的图像和标签。 `read_data_sets` 函数的作用是根据参数指定的数据集目录读取数据集，并将数据集划分为训练集、验证集和测试集。它还提供了一些可选的操作，如将标签转换为 one-hot 向量、指定数据类型、进行形状重塑等。 这个函数在 TensorFlow 2.0 及之前版本的 `tensorflow.contrib.learn.python.learn.datasets.mnist` 模块中使用，但在 TensorFlow 2.0 后已经被弃用，推荐使用新的 `tensorflow.keras.datasets` 模块中的函数来加载数据集。