针对小型常用数据集，tensorflow2中加载数据通常有两种方法：
1、使用keras.datasets
有几种数据集调用load_data()方法可以加载。
2、使用tf.data.Dataset.from_tensor_slices()方法
相应的tf.data.Dataset还有map,shuffle,range,batch,repeat等方法可供使用
但是针对大型数据集,使用Input Pipeline的方式，进行多线程加载数据。
1 keras.datasets
(x, y), (x_test, y_test) = keras.datasets.mnist.load_data()
print(x.shape)
print(y.shape)
print(type(x))
print(type(y))
print(x.min(), x.max(), x.mean())
# 获取y的前4个,y的取值为0-9,共10个值,所以one-hot的depth为10
print(y[:4])
y_onehot = tf.one_hot(y, depth=10)
print(y_onehot[:4])
返回结果：
(60000, 28, 28)
(60000,)
0 255 33.318421449829934
[5 0 4 1]
tf.Tensor(
[[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]
[1. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]
[0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]], shape=(4, 10), dtype=float32)
说明keras.datasets加载的数据是numpy格式,并不是tensor格式，因此在求最小值，最大值，平均值没有用reduce_min，reduce_max和reduce_mean等。
2 tf.data.Dataset.from_tensor_slices()
tf.data.Dataset模块，使其数据读入的操作变得更为方便，而支持多线程（进程）的操作，也在效率上获得了一定程度的提高。
from_tensor_slices方法会对tensor和numpy array的处理一视同仁，所以该方法既可以使用tensor参数，也可以直接使用numpy array作为参数。
db = tf.data.Dataset.from_tensor_slices((x_test, y_test))
print(x_test.shape)
# 必须先取到迭代器
print(next(iter(db))[0].shape)
返回结果：
(10000, 28, 28)
(28, 28)
上述方法是面对小数据集的情况，面对大数据集的情况有如下方法，参考博客：
https://www.jianshu.com/p/f580f4fc2ba0
3 tf.data.Dataset的其他相关方法
<1> tf.data.Dataset.shuffle(buffer_size)：对数据集进行打散，shuffle可以给定参数，代表在多大的一个范围内进行打散，该参数可以给大一些。
数据预处理功能
<2> tf.data.Dataset.map：
def preprocess(x, y):
x = tf.cast(x, dtype=tf.float32) / 255.
y = tf.cast(y, dtype=tf.int32)
y = tf.one_hot(y, depth=10)
return x, y
# 使用map操作，对单值调用preprocess方法
db2=db.map(preprocess)
<3> batch方法
通常我们是对每一批元素进行操作，可以指定批的大小
db3=db2.batch(32)
res=next(iter(db3))
<4> repeat方法
repeat的功能就是将整个序列重复多次，主要用来处理机器学习中的epoch，假设原先的数据是一个epoch，使用repeat(2)就可以将之变成两个epoch。
注意，如果直接调用repeat()的话，生成的序列就会无限重复下去，没有结束，因此也不会抛出tf.errors.OutOfRangeError异常。
4 总结
# 数据集加载的过程：
def prepare_mnist_features_and_labels(x, y):
x = tf.cast(x, tf.float32) / 255.
y = tf.cast(y, tf.int64)
return x, y
def mnist_dataset():
(x, y), (x_val, y_val) = keras.datasets.fashion_mnist.load_data()
y = tf.one_hot(y, depth=10)
y_val = tf.one_hot(y_val, depth=10)
ds = tf.data.Dataset.from_tensor_slices((x, y))
ds = ds.map(prepare_mnist_features_and_labels)
ds = ds.shuffle(60000).batch(100)
ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(prepare_mnist_features_and_labels)
ds_val = ds_val.shuffle(60000).batch(100)
return ds, ds_val