在训练模型之前，需要将事件序列数据读入成为Tensor的形式。
TFTS库中提供了两个方便的读取器：
NumpyReader----用于从numpy数组中读入数据；
CSVReader----后者用于从CSV文件中读入数据。
x = np.array(range(1000))
noise = np.random.uniform(-0.2, 0.2, 1000)
y = np.sin(np.pi * x / 100) + x / 200. + noise
data = {
tf.contrib.timeseries.TrainEvalFeatures.TIMES: x,
tf.contrib.timeseries.TrainEvalFeatures.VALUES: y,
}
reader = NumpyReader(data)
#首先把x和y变成Python中的字典（变量data）。
#直接写成“data=｛‘times':x，‘values ’：y｝”也是可以的。
用上面的代码得到reader后，该reader下会有一个read_full()方法，它的返回值是时间序列对应的tensor，可以用下面的代码进行实验：
with tf.Session() as sess:
full_data = reader.read_full()
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
print(sess.run(full_data))
coord.request_stop()