使用input_data.read_data_sets()函数读取CIFAR-10数据集

TensorFlow提供了一个方便的函数input_data.read_data_sets()来读取CIFAR-10数据集。下面是用法示例：

首先，确保你已经安装了TensorFlow和CIFAR-10数据集。你可以在TensorFlow官方GitHub页面上找到CIFAR-10数据集的下载链接。

1. 导入相关的库

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

2. 通过input_data.read_data_sets()函数来读取CIFAR-10数据集，指定数据集的存储路径。

cifar10 = input_data.read_data_sets('/path/to/cifar10_data', one_hot=True)

这里需要替换/path/to/cifar10_data为CIFAR-10数据集的存储路径，同时我们将one_hot设置为True，以便将标签（类别）转换为独热编码形式。

3. 使用数据集

通过cifar10.train、cifar10.validation和cifar10.test可以访问训练集、验证集和测试集。

例如，我们可以获取训练集的图像和标签，并打印出其形状和数量。

train_images = cifar10.train.images
train_labels = cifar10.train.labels

print("Train images shape:", train_images.shape)  # (50000, 784)
print("Train labels shape:", train_labels.shape)  # (50000, 10)
print("Number of train images:", len(train_images))  # 50000
print("Number of train labels:", len(train_labels))  # 50000

这里打印的结果显示训练集共有50000个图像，每个图像都是32x32x3的三维数组。

4. 可以使用相同的方式获取验证集和测试集的图像和标签。

valid_images = cifar10.validation.images
valid_labels = cifar10.validation.labels

test_images = cifar10.test.images
test_labels = cifar10.test.labels

print("Validation images shape:", valid_images.shape)  # (5000, 784)
print("Validation labels shape:", valid_labels.shape)  # (5000, 10)
print("Number of validation images:", len(valid_images))  # 5000
print("Number of validation labels:", len(valid_labels))  # 5000

print("Test images shape:", test_images.shape)  # (10000, 784)
print("Test labels shape:", test_labels.shape)  # (10000, 10)
print("Number of test images:", len(test_images))  # 10000
print("Number of test labels:", len(test_labels))  # 10000

请注意，验证集和测试集的图像数量分别为5000和10000。

以上就是使用input_data.read_data_sets()函数读取CIFAR-10数据集的例子。你可以利用这些数据来训练和评估你的机器学习模型，例如卷积神经网络（CNN）等。