TensorFlow读写数据
原标题:TensorFlow读写数据
原文来自:博客园 原文链接:https://www.cnblogs.com/Java3y/p/10543426.html
只有光头才能变强。
文本已收录至我的GitHub仓库,欢迎Star:https://github.com/ZhongFuCheng3y/3y
回顾前面:
众所周知,要训练出一个模型,首先我们得有数据。我们第一个例子中,直接使用dataset的api去加载mnist的数据。(minst的数据要么我们是提前下载好,放在对应的目录上,要么就根据他给的url直接从网上下载)。
一般来说,我们使用TensorFlow是从TFRecord文件中读取数据的。
TFRecord 文件格式是一种面向记录的简单二进制格式,很多 TensorFlow 应用采用此格式来训练数据
所以,这篇文章来聊聊怎么读取TFRecord文件的数据。
首先,我们来体验一下怎么造一个TFRecord文件,怎么从TFRecord文件中读取数据,遍历(消费)这些数据。
现在,我们还没有TFRecord文件,我们可以自己简单写一个:
def write_sample_to_tfrecord(): gmv_values = np.arange(10) click_values = np.arange(10) label_values = np.arange(10) with tf.python_io.TFRecordWriter("/Users/zhongfucheng/data/fashin/demo.tfrecord", options=None) as writer: for _ in range(10): feature_internal = { "gmv": tf.train.Feature(float_list=tf.train.FloatList(value=[gmv_values[_]])), "click": tf.train.Feature(int64_list=tf.train.Int64List(value=[click_values[_]])), "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[label_values[_]])) } features_extern = tf.train.Features(feature=feature_internal) # 使用tf.train.Example将features编码数据封装成特定的PB协议格式 # example = tf.train.Example(features=tf.train.Features(feature=features_extern)) example = tf.train.Example(features=features_extern) # 将example数据系列化为字符串 example_str = example.SerializeToString() # 将系列化为字符串的example数据写入协议缓冲区 writer.write(example_str) if __name__ == '__main__': write_sample_to_tfrecord()
我相信大家代码应该是能够看得懂的,其实就是分了几步:
生成TFRecord Writer
tf.train.Feature生成协议信息
使用tf.train.Example将features编码数据封装成特定的PB协议格式
将example数据系列化为字符串
将系列化为字符串的example数据写入协议缓冲区
参考资料:
ok,现在我们就有了一个TFRecord文件啦。
其实就是通过tf.data.TFRecordDataset
这个api来读取到TFRecord文件,生成处dataset对象
对dataset进行处理(shape处理,格式处理...等等)
使用迭代器对dataset进行消费(遍历)
demo代码如下:
import tensorflow as tf def read_tensorflow_tfrecord_files(): # 定义消费缓冲区协议的parser,作为dataset.map()方法中传入的lambda: def _parse_function(single_sample): features = { "gmv": tf.FixedLenFeature([1], tf.float32), "click": tf.FixedLenFeature([1], tf.int64), # ()或者[]没啥影响 "label": tf.FixedLenFeature([1], tf.int64) } parsed_features = tf.parse_single_example(single_sample, features=features) # 对parsed 之后的值进行cast. gmv = tf.cast(parsed_features["gmv"], tf.float64) click = tf.cast(parsed_features["click"], tf.float64) label = tf.cast(parsed_features["label"], tf.float64) return gmv, click, label # 开始定义dataset以及解析tfrecord格式 filenames = tf.placeholder(tf.string, shape=[None]) # 定义dataset 和 一些列trasformation method dataset = tf.data.TFRecordDataset(filenames) parsed_dataset = dataset.map(_parse_function) # 消费缓冲区需要定义在dataset 的map 函数中 batchd_dataset = parsed_dataset.batch(3) # 创建Iterator sample_iter = batchd_dataset.make_initializable_iterator() # 获取next_sample gmv, click, label = sample_iter.get_next() training_filenames = [ "/Users/zhongfucheng/data/fashin/demo.tfrecord"] with tf.Session() as session: # 初始化带参数的Iterator session.run(sample_iter.initializer, feed_dict={filenames: training_filenames}) # 读取文件 print(session.run(gmv)) if __name__ == '__main__': read_tensorflow_tfrecord_files()
无意外的话,我们可以输出这样的结果:
[[0.] [1.] [2.]]
ok,现在我们已经大概知道怎么写一个TFRecord文件,以及怎么读取TFRecord文件的数据,并且消费这些数据了。
我在学习TensorFlow翻阅资料时,经常看到一些机器学习的术语,由于自己没啥机器学习的基础,所以很多时候看到一些专业名词就开始懵逼了。
当一个完整的数据集通过了神经网络一次并且返回了一次,这个过程称为一个epoch。
这可能使我们跟dataset.repeat()
方法联系起来,这个方法可以使当前数据集重复一遍。比如说,原有的数据集是[1,2,3,4,5]
,如果我调用dataset.repeat(2)
的话,那么我们的数据集就变成了[1,2,3,4,5],[1,2,3,4,5]
所以会有个说法:假设原先的数据是一个epoch,使用repeat(5)就可以将之变成5个epoch
一般来说我们的数据集都是比较大的,无法一次性将整个数据集的数据喂进神经网络中,所以我们会将数据集分成好几个部分。每次喂多少条样本进神经网络,这个叫做batchSize。
在TensorFlow也提供了方法给我们设置:dataset.batch()
,在API中是这样介绍batchSize的:
representing the number of consecutive elements of this dataset to combine in a single batch
我们一般在每次训练之前,会将整个数据集的顺序打乱,提高我们模型训练的效果。这里我们用到的api是:dataset.shffle();
我从官网的介绍中截了一个dataset的方法图(部分):
dataset的功能主要有以下三种:
创建dataset实例
通过文件创建(比如TFRecord)
通过内存创建
对数据集的数据进行变换
比如上面的batch(),常见的map(),flat_map(),zip(),repeat()
等等
文档中一般都有给出例子,跑一下一般就知道对应的意思了。
创建迭代器,遍历数据集的数据
迭代器可以分为四种:
单次。对数据集进行一次迭代,不支持参数化
可初始化迭代
使用前需要进行初始化,支持传入参数。面向的是同一个DataSet
可重新初始化:同一个Iterator从不同的DataSet中读取数据
DataSet的对象具有相同的结构,可以使用tf.data.Iterator.from_structure
来进行初始化
问题:每次 Iterator 切换时,数据都从头开始打印了
可馈送(也是通过对象相同的结果来创建的迭代器)
可让您在两个数据集之间切换的可馈送迭代器
通过一个string handler来实现。
可馈送的 Iterator 在不同的 Iterator 切换的时候,可以做到不从头开始。
简单总结:
1、 单次 Iterator ,它最简单,但无法重用,无法处理数据集参数化的要求。
2、 可以初始化的 Iterator ,它可以满足 Dataset 重复加载数据,满足了参数化要求。
3、可重新初始化的 Iterator,它可以对接不同的 Dataset,也就是可以从不同的 Dataset 中读取数据。
4、可馈送的 Iterator,它可以通过 feeding 的方式,让程序在运行时候选择正确的 Iterator,它和可重新初始化的 Iterator 不同的地方就是它的数据在不同的 Iterator 切换时,可以做到不重头开始读取数据。
string handler(可馈送的 Iterator)这种方式是最常使用的,我当时也写了一个Demo来使用了一下,代码如下:
def read_tensorflow_tfrecord_files(): # 开始定义dataset以及解析tfrecord格式. train_filenames = tf.placeholder(tf.string, shape=[None]) vali_filenames = tf.placeholder(tf.string, shape=[None]) # 加载train_dataset batch_inputs这个方法每个人都不一样的,这个方法我就不给了。 train_dataset = batch_inputs([ train_filenames], batch_size=5, type=False, num_epochs=2, num_preprocess_threads=3) # 加载validation_dataset batch_inputs这个方法每个人都不一样的,这个方法我就不给了。 validation_dataset = batch_inputs([vali_filenames ], batch_size=5, type=False, num_epochs=2, num_preprocess_threads=3) # 创建出string_handler()的迭代器(通过相同数据结构的dataset来构建) handle = tf.placeholder(tf.string, shape=[]) iterator = tf.data.Iterator.from_string_handle( handle, train_dataset.output_types, train_dataset.output_shapes) # 有了迭代器就可以调用next方法了。 itemid = iterator.get_next() # 指定哪种具体的迭代器,有单次迭代的,有初始化的。 training_iterator = train_dataset.make_initializable_iterator() validation_iterator = validation_dataset.make_initializable_iterator() # 定义出placeholder的值 training_filenames = [ "/Users/zhongfucheng/tfrecord_test/data01aa"] validation_filenames = ["/Users/zhongfucheng/tfrecord_validation/part-r-00766"] with tf.Session() as sess: # 初始化迭代器 training_handle = sess.run(training_iterator.string_handle()) validation_handle = sess.run(validation_iterator.string_handle()) for _ in range(2): sess.run(training_iterator.initializer, feed_dict={train_filenames: training_filenames}) print("this is training iterator ----") for _ in range(5): print(sess.run(itemid, feed_dict={handle: training_handle})) sess.run(validation_iterator.initializer, feed_dict={vali_filenames: validation_filenames}) print("this is validation iterator ") for _ in range(5): print(sess.run(itemid, feed_dict={vali_filenames: validation_filenames, handle: validation_handle})) if __name__ == '__main__': read_tensorflow_tfrecord_files()
参考资料:
在翻阅资料时,发现写得不错的一些博客:
https://irvingzhang0512.github.io/2018/04/19/tensorflow-api-2/
http://www.feiguyunai.com/index.php/2017/12/25/pyhtonai-ml-dataprocess-datasetapi/
乐于输出干货的Java技术公众号:Java3y。公众号内有200多篇原创技术文章、海量视频资源、精美脑图,不妨来关注一下!
下一篇文章打算讲讲如何理解axis~
免责声明:本文来自互联网新闻客户端自媒体,不代表本网的观点和立场。
合作及投稿邮箱:E-mail:editor@tusaishared.com
上一篇:卷积在图像处理中的应用
下一篇:“学习流形”的初认识
热门资源
Python 爬虫(二)...
所谓爬虫就是模拟客户端发送网络请求,获取网络响...
TensorFlow从1到2...
原文第四篇中,我们介绍了官方的入门案例MNIST,功...
TensorFlow从1到2...
“回归”这个词,既是Regression算法的名称,也代表...
机器学习中的熵、...
熵 (entropy) 这一词最初来源于热力学。1948年,克...
TensorFlow2.0(10...
前面的博客中我们说过,在加载数据和预处理数据时...
智能在线
400-630-6780
聆听.建议反馈
E-mail: support@tusaishared.com