限制 MNIST 训练数据的大小

Question

我刚刚开始学习 python 和 TensorFlow，并且正在试验各种神经网络和 MNIST 数据。我想做的一个实验是看看训练集的大小如何影响性能。目前训练集中似乎有 55000 input/output 对。我想要一些方法来限制训练只使用前 1000 个左右，但不知道如何实现。

我目前的训练函数是这样的：

def do_training():
    print("Train entry")
    for i in range(2000):

        batch_of_training_inputs, batch_of_training_labels = mnist.train.next_batch(100)

        sess.run(train_step, feed_dict={generic_image_data_struct: batch_of_training_inputs, target_for_output_struct: batch_of_training_labels })

有没有像...

mnist.train.next_batch(100, BUT_ONLY_FROM_FIRST(1000))

仅供参考，我使用以下代码获取 mnist：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

Answer 1

您可以做的一件简单的事情就是增加验证数据集的大小。 MNIST 包含 60,000 张图像，因此如果您只想训练 1,000 张图像，您可以这样做：

mnist = input_data.read_data_sets(train_dir, one_hot=True, validation_size=59000)

Answer 2

经过一些黑客攻击，我认为这可能行得通。尽管我 really 不建议将来依赖此解决方案，因为它取决于 DataSet.__init__ 方法以某种方式运行的内部实现。对于快速实验，可能没问题。

from tensorflow.examples.tutorials.mnist import input_data
from tensorflow.contrib.learn.python.learn.datasets.mnist import DataSet
from tensorflow.python.framework import dtypes

mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
train_small = DataSet(mnist.train.images[:1000], mnist.train.labels[:1000],
                      dtype=dtypes.uint8, reshape=False, seed=None)

限制 MNIST 训练数据的大小

Restricting the size of MNIST training data

python

mnist

tensorflow