MLTools|TensorFlow(2)-数据载入深度学习|机器学习|tensorflow

tensorflow 数据载入

1. tf.data.Dataset
2. dataset 创建数据集的方式
- 2.1 tf.data.Dataset.from_tensor_slices()
- 2.2 tf.data.TextLineDataset()
- 2.3 tf.data.FixedLengthRecordDataset()
- 2.4 tf.data.TFRecordDataset()
3. dateset 迭代操作iterator
- 3.1 make_one_shot_iterator()
- 3.2 make_initializable_iterator()
- 3.3 reinitializable iterator()
- 3.4 feedable iterator()
4. dataset的map、batch、shuffle、repeat操作
5. 非eager/eager 模式
- 5.1 非eager模式demo
- 5.2 eager模式demo

1. tf.data.Dataset 参考Google官方给出的Dataset API中的类图，Dataset 务于数据读取，构建输入数据的pipeline。

文章图片

Dataset可以看作是相同类型“元素”的有序列表，可使用Iterator迭代获取Dataset中的元素。
2. dataset 创建数据集的方式 2.1 tf.data.Dataset.from_tensor_slices() 从tensor中创建数据集，数据集元素以tensor第一维度为划分。

import tensorflow as tf import numpy as np # 切分传入Tensor的第一个维度，生成相应的dataset。 dataset1 = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0])) # 如果传入字典，那切分结果就是字典按值切分,元素型如{"a":[1],"b":[x,x]} dataset2 = tf.data.Dataset.from_tensor_slices( { "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]), "b": np.random.uniform(size=(5, 2)) } )

2.2 tf.data.TextLineDataset() 读取文件数据创建数据集，数据集元素为文件的每一行
2.3 tf.data.FixedLengthRecordDataset() 从一个文件列表和record_bytes中创建数据集，数据集元素是文件中固定字节数record_bytes的内容。文件列表用来做啥？
2.4 tf.data.TFRecordDataset() 读TFRecord文件创建数据集，数据集元素是一个TFExample。
3. dateset 迭代操作iterator iterator是从Dataset对象中创建出来的，用于迭代取数据集中的元素。
3.1 make_one_shot_iterator() dataset.make_one_shot_iterator()–只能从头到尾读取一次dataset。如果一个dataset中元素被读取完了再sess.run()的话，会抛出tf.errors.OutOfRangeError异常。因此可以在外界捕捉这个异常以判断数据是否读取完。

import tensorflow as tf import numpy as np # 切分传入Tensor的第一个维度，生成相应的dataset。如果传入字典，那切分结果就是字典按值切分 dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0])) iterator = dataset.make_one_shot_iterator()# 只能从头到尾读取一次 one_element = iterator.get_next()# 从iterator里取出一个元素。 # 处于非Eager模式，所以one_element只是一个Tensor，并不是一个实际的值。调用sess.run(one_element)后，才能真正地取出一个值。 with tf.Session() as sess: try: while True: print(sess.run(one_element))except tf.errors.OutOfRangeError: print("end!")

3.2 make_initializable_iterator() 【MLTools|TensorFlow(2)-数据载入】dataset.make_initializable_iterator()–支持placeholder dataset 的迭代操作，这可以方便通过参数快速定义新的Iterator。

# limit相当于一个参数，它规定了Dataset中数的上限，使用make_initializable_iterator limit = tf.placeholder(dtype=tf.int32, shape=[]) dataset = tf.data.Dataset.from_tensor_slices(tf.range(start=0, limit=limit)) iterator = dataset.make_initializable_iterator() next_element = iterator.get_next() with tf.Session() as sess: sess.run(iterator.initializer, feed_dict={limit: 10}) for i in range(10): value = https://www.it610.com/article/sess.run(next_element) assert i == value

如果在dataset的构建时，一次性读入了所有的数据，会导致计算图变得很大，给传输、保存带来不便。make_initializable_iterator()支持placeholder 操作，仅在需要传输数据时再取数据。

# 从硬盘中读入两个Numpy数组 with np.load("/var/data/training_data.npy") as data: features = data["features"] labels = data["labels"]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() sess.run(iterator.initializer, feed_dict={features_placeholder: features, labels_placeholder: labels})

3.3 reinitializable iterator() dataset.reinitializable iterator() --待补
3.4 feedable iterator() dataset.feedable iterator()–待补
4. dataset的map、batch、shuffle、repeat操作 map–接收一个函数，Dataset中的每个元素都会被当作这个函数的输入，并将函数返回值作为新的Dataset。

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0])) dataset = dataset.map(lambda x: x + 1) # 2.0, 3.0, 4.0, 5.0, 6.0

batch–将多个元素组合成一个batch

dataset = dataset.batch(16)# 将数据集划分为batch size为16的小批次

shuffle– 打乱dataset中的元素，参数buffersize。打乱的实现机理：从buffer_size 大小的部buffer中随机抽取元素，组成打乱后的数据集。buffer中被抽走的元素由原数据集中的后续元素补位置。重复‘抽取-补充’这个过程，直至buffer为空。
buffer_size 的大小详见tf.data.Dataset.shuffle(buffer_size)中buffer_size的理解

dataset = dataset.shuffle(buffer_size=10000)

repeat– 将整个序列重复多次，用来处理机器学习中的epoch，假设原始数据是一个epoch，使用repeat(5)就可以将之变成5个epoch

dataset = dataset.repeat(5)

5. 非eager/eager 模式 5.1 非eager模式demo 在非Eager模式下，Dataset中读出的一个元素一般对应一个batch的Tensor，我们可以使用这个Tensor在计算图中构建模型。

import tensorflow as tf import numpy as np # 切分传入Tensor的第一个维度，生成相应的dataset。如果传入字典，那切分结果就是字典按值切分 dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0])) iterator = dataset.make_one_shot_iterator()# 只能从头到尾读取一次 one_element = iterator.get_next()# 从iterator里取出一个元素。 # 处于非Eager模式，所以one_element只是一个Tensor，并不是一个实际的值。调用sess.run(one_element)后，才能真正地取出一个值。 with tf.Session() as sess: try: while True: print(sess.run(one_element))except tf.errors.OutOfRangeError: print("end!")

5.2 eager模式demo 在Eager模式下，Dataset建立Iterator的方式有所不同，此时通过读出的数据就是含有值的Tensor，方便调试。

import tensorflow.contrib.eager as tfe tfe.enable_eager_execution() dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0])) for one_element in tfe.Iterator(dataset): print(one_element)# 可直接读取数据

参考文献：TensorFlow全新的数据读取方式：Dataset API入门教程