Tensorflow数据读取机制剖析

展示如何将数据输入到计算图中

Dataset 可以看作是相同类型“元素”的有序列表，在实际使用时，单个元素可以是向量、字符串、图片甚至是tuple或dict。

数据集对象实例化：

dataset=tf.data.Dataset.from_tensor_slice(<data>)

迭代器对象实例化：

iterator=dataset.make_one_shot_iterator()
one_element=iterator.get_next()

读取结束异常：如果一个 dataset 中的元素被读取完毕，再尝试 sess.run(one_element) 的话，会抛出 tf.errors.OutOfRangeError 异常，这个行为与使用队列方式读取数据是一致的。

高维数据集的使用

tf.data.Dataset.from_tensor_slices 真正作用是切分传入Tensor的第一个维度，生成相应的dataset，即第一维表明数据集中数据的数量，之后切分batch等操作均以第一维为基础。

dataset=tf.data.Dataset.from_tensor_slices(np.random.uniform((5,2)))
iterator=dataset.make_one_shot_iterator()
one_element=iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError as e:
        print('end~')

输出：

[0.1,0.2]
[0.3,0.2]
[0.1,0.6]
[0.4,0.3]
[0.5,0.2]

tuple组合数据

dataset=tf.data.Dataset.from_tensor_slices((np.array([1.,2.,3.,4.,5.]),
                                            np.random.uniform(size=(5,2))))
iterator=dataset.make_one_shot_iterator()
one_element=iterator.get_next()
with tf.Session() as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print('end~')

输出：

(1.,array(0.1,0.3))
(2.,array(0.2,0.4))
...

数据集处理方法

Dataset 支持一类特殊操作： Transformation 。一个 Dataset 通过 Transformation 变成一个新的 Dataset 。常用的 Transformation ：

map
batch
shuffle
repeat

其中，

• map 和 Python 中的 map 一致，接受一个函数， Dataset 中的每个元素都会作为这个函数的输入，并将函数返回值作为新的 Dataset

  dataset=dataset.map(lambda x:x+1)

  注意： map 函数可以使用 num_parallel_calls 参数并行化

• batch 就是将多个元素组成batch。

  dataset=tf.data.Dataset.from_tensor_slices(
  {
      'a':np.array([1.,2.,3.,4.,5.]),
      'b':np.random.uniform(size=(5,2))
  })
  ###
  dataset=dataset.batch(2)  # batch_size=2
  ###
  iterator=dataset.make_one_shot_iterator()
  one_element=iterator.get_next()
  with tf.Session() as sess:
      try:
          while True:
              print(one_element)
      except tf.errors.OutOfRangeError:
          print('end~')

  输出：

  {'a':array([1.,2.]),'b':array([[1.,2.],[3.,4.]])}
  {'a':array([3.,4.]),'b':array([[5.,6.],[7.,8.]])}

• shuffle 的功能是打乱 dataset 中的元素，它有个参数 buffer_size ，表示打乱时使用的 buffer 的大小，不应设置过小，推荐值1000.

  dataset=tf.data.Dataset.from_tensor_slices(
  {
      'a':np.array([1.,2.,3.,4.,5.]),
      'b':np.random.uniform(size=(5,2))
  })
  ###
  dataset=dataset.shuffle(buffer_size=5)
  ###
  iterator=dataset.make_one_shot_iterator()
  one_element=iterator.get_next()
  with tf.Session() as sess:
      try:
          while True:
              print(one_element)
      except tf.errors.OutOfRangeError:
          print('end~')

• 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) 可以使之变成2个epoch.

  dataset=tf.data.Dataset.from_tensor_slices({
      'a':np.array([1.,2.,3.,4.,5.]),
      'b':np.random.uniform(size=(5,2))
  })
  ###
  dataset=dataset.repeat(2)  # 2epoch
  ###
  # iterator, one_element...

  注意：如果直接调用 repeat() 函数的话，生成的序列会无限重复下去，没有结果，因此不会抛出 tf.errors.OutOfRangeError 异常。

模拟读入磁盘图片及其Label示例

def _parse_function(filename,label):  # 接受单个元素，转换为目标
    img_string=tf.read_file(filename)
    img_decoded=tf.image.decode_images(img_string)
    img_resized=tf.image.resize_images(image_decoded,[28,28])
    return image_resized,label

filenames=tf.constant(['data/img1.jpg','data/img2.jpg',...])
labels=tf.constant([1,3,...])
dataset=tf.data.Dataset.from_tensor_slices((filenames,labels))
dataset=dataset.map(_parse_function)  # num_parallel_calls 并行
dataset=dataset.shuffle(buffer_size=1000).batch_size(32).repeat(10)

更多Dataset创建方法

• tf.data.TextLineDataset() ：函数输入一个文件列表，输出一个Dataset。dataset中的每一个元素对应文件中的一行，可以使用该方法读入csv文件。
• tf.data.FixedLengthRecordDataset() ：函数输入一个文件列表和 record_bytes 参数，dataset中每一个元素是文件中固定字节数 record_bytes 的内容，可用来读取二进制保存的文件，如CIFAR10。
• tf.data.TFRecordDataset() ：读取TFRecord文件，dataset中每一个元素是一个TFExample。

更多Iterator创建方法

最简单的创建 Iterator 方法是通过 dataset.make_one_shot_iterator() 创建一个iterator。

除了这种iterator之外，还有更复杂的Iterator：

• initializable iterator
• reinitializable iterator
• feedable iterator

其中，initializable iterator方法要在使用前通过 sess.run() 进行初始化， initializable iterator还可用于读入较大数组。 在使用 tf.data.Dataset.from_tensor_slices(array) 时，实际上发生的事情是将array作为一个 tf.constants 保存到了计算图中，当array很大时，会导致计算图变得很大，给传输保存带来不便，这时可以使用一个 placeholder 取代这里的array，并使用initializable iterator，只在需要时将array传进去，这样即可避免将大数组保存在图里。

features_placeholder=tf.placeholder(<features.dtype>,<features.shape>)
labels_placeholder=tf.placeholder(<labels.dtype>,<labels.shape>)
dataset=tf.data.Dataset.from_tensor_slices((features_placeholder,labels_placeholder))
iterator=dataset.make_initializable_iterator()
next_element=iterator.get_next()
sess.run(iterator.initializer,feed_dict={features_placeholder:features,labels_placeholder:labels})

Tensorflow内部读取机制

对于文件名队列，使用 tf.train.string_input_producer() 函数， tf.train.string_input_producer() 还有两个重要参数， num_epoches 和 shuffle

内存队列不需要我们建立，只需要使用 reader 对象从文件名队列中读取数据即可，使用 tf.train.start_queue_runners() 函数启动队列，填充两个队列的数据。

with tf.Session() as sess:
    filenames=['A.jpg','B.jpg','C.jpg']
    filename_queue=tf.train.string_input_producer(filenames,shuffle=True,num_epoch=5)
    reader=tf.WholeFileReader()
    key,value=reader.read(filename_queue)
    # tf.train.string_input_producer()定义了一个epoch变量，需要对其进行初始化
    tf.local_variables_initializer().run()
    threads=tf.train.start_queue_runners(sess=sess)
    i=0
    while True:
        i+=1
        image_data=sess.run(value)
        with open('reader/test_%d.jpg'%i,'wb') as f:
            f.write(image_data)

Linux公社的RSS地址 ： https://www.linuxidc.com/rssFeed.aspx

本文永久更新链接地址： https://www.linuxidc.com/Linux/2019-05/158706.htm