如何使用 TFF 访问标签

【问题标题】：How to access labels with TFF如何使用 TFF 访问标签
【发布时间】：2022-06-10 20:37:58
【问题描述】：

我正在关注这个Image classification tutorial 和Text Generation tutorial。因此，我已经在我的数据集上通过微调实现了迁移学习，但我不知道在进行预测时如何访问标签。我将数据转换为正确的形状 (tf.data.Dataset)，因此我使用 Keras 模型进行预测。例如，如果我只想预测一个标签：keras_model.predict(federated_train_data[0])

federated_train_data 由以下元素组成：

(TensorSpec(shape=(None, 32, 32, 3), dtype=tf.float32, name=None),
 TensorSpec(shape=(None,), dtype=tf.int64, name=None))

第一个张量是图像形状，第二个表示编码标签。

我的目标是说明图像的真实标签和预测标签，例如：(Predicted classes)

TLDR：有没有一种方法可以在拥有 tf.data.Dataset 时只访问标签？

【问题讨论】：

标签： python-3.x tensorflow tensorflow-federated federated-learning federated

【解决方案1】：

如果federated_train_data 是tf.data.Dataset，其.element_spec 属性返回：

(TensorSpec(shape=(None, 32, 32, 3), dtype=tf.float32, name=None),
 TensorSpec(shape=(None,), dtype=tf.int64, name=None))

然后可以迭代数据集：

# Get the first batch
first_batch = next(iter(federated_train_data)) 

# Examine all batches
for batch in federated_train_data:
  print(batch)

从.element_spec我们知道每个批次都是(features, labels)的2元组，所以我们可以使用第二个索引来获取标签：

labesl = first_batch[1]

# Or unpack
features, labels = first_batch

将此与模型预测相结合：

for batch in federated_train_data:
  features, labels = batch
  predictions = keras_model.predict(features)
  # Now we have all three pieces: features, labels, and predictions.

【讨论】：