TensorFlow加载MNIST数据遇警告，寻求官方替代方案

那个旧的input_data模块确实已经被TensorFlow官方弃用了，所以才会弹出这个警告。现在新版TensorFlow推荐用Keras内置的数据集接口来加载MNIST，不仅更简洁，还能更好地兼容最新版本的框架。

给你替换后的完整代码，和原来的功能完全一致，还去掉了冗余的导入：

import numpy as np
import tensorflow as tf
import os

# 屏蔽不必要的日志信息，和你原来的作用一样
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'

# 用Keras接口加载MNIST数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 把数据转换成和原来一样的浮点型数组（原来的images是0-1的浮点值）
train_data = x_train.reshape(-1, 784).astype(np.float32) / 255.0
eval_data = x_test.reshape(-1, 784).astype(np.float32) / 255.0

# 处理one-hot标签，和你原来的one_hot=True对应
train_labels = tf.keras.utils.to_categorical(y_train, num_classes=10).astype(np.int32)
eval_labels = tf.keras.utils.to_categorical(y_test, num_classes=10).astype(np.int32)

几点说明： #

• tf.keras.datasets.mnist.load_data()会自动下载并缓存MNIST数据，不需要手动指定路径（默认存在用户目录下的.keras/datasets里）
• 原来的images是扁平化的784维数组，所以这里用reshape(-1,784)把28x28的图片转成一维，再除以255归一化到0-1区间，和旧接口的输出完全一致
• to_categorical函数直接实现了one-hot编码，完美替代原来的one_hot=True参数

如果之后还要用TensorFlow的高级API做训练，还可以把这些数组转换成数据集对象，方便后续批量、打乱等操作：

train_dataset = tf.data.Dataset.from_tensor_slices((train_data, train_labels))
train_dataset = train_dataset.shuffle(60000).batch(32)

这样就完全符合新版TensorFlow的最佳实践啦，不会再收到弃用警告~

内容的提问来源于stack exchange，提问作者Jorge Rodriguez Molinuevo