使用input_data.read_data_sets()函数加载数据集的自定义方式

input_data.read_data_sets()函数是TensorFlow中的一个函数，用于从指定的数据源中加载数据集。它的基本语法如下：

input_data.read_data_sets(train_dir, one_hot=False, dtype=tf.float32, validation_size=0, seed=None)

参数说明：

- train_dir：指定的数据集路径，包含训练数据、测试数据等子目录。

- one_hot：一个布尔值，指定是否将标签数据转换为独热编码，默认为False。

- dtype：指定数据集中的图像数据的数据类型，默认为tf.float32。

- validation_size：一个整数，指定用于验证的数据集的大小，如果为0，则不会生成验证数据集，默认为0。

- seed：一个整数，指定随机种子。

下面我们以MNIST数据集为例，演示如何使用input_data.read_data_sets()函数加载数据集：

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

# 从指定的路径加载MNIST数据集
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

# 获取训练数据
train_images = mnist.train.images
train_labels = mnist.train.labels

# 获取测试数据
test_images = mnist.test.images
test_labels = mnist.test.labels

# 获取验证数据
validation_images = mnist.validation.images
validation_labels = mnist.validation.labels

在上面的例子中，我们先从指定的路径（"MNIST_data/"）加载MNIST数据集。然后，我们分别获取训练数据、测试数据和验证数据，并将它们分别存储在train_images、train_labels、test_images、test_labels、validation_images和validation_labels变量中。这些变量可以用于后续的模型训练、测试和验证等任务。

需要注意的是，read_data_sets()函数加载的MNIST数据集已经经过预处理，图像数据已经被转换为以浮点数表示的二维数组，并且各个像素值已经缩放到0-1之间。标签数据则被转换为独热编码形式。

除了MNIST数据集，input_data.read_data_sets()函数还可以加载其他数据集，如CIFAR10、CIFAR100等。在加载这些数据集时，只需要将对应的数据集路径传递给train_dir参数即可。