官方代碼:https://www.tensorflow.org/api_docs/python/tf/data/Dataset
Tensorflow中之前主要用的數據讀取方式主要有:
- 建立placeholder,然後使用feed_dict將數據feed進placeholder進行使用。使用這種方法十分靈活,可以一下子將所有數據讀入內存,然後分batch進行feed;也可以建立一個Python的generator,一個batch一個batch的將數據讀入,並將其feed進placeholder。這種方法很直觀,用起來也比較方便靈活jian,但是這種方法的效率較低,難以滿足高速計算的需求。
- 使用TensorFlow的QueueRunner,通過一系列的Tensor操作,將磁盤上的數據分批次讀入並送入模型進行使用。這種方法效率很高,但因爲其牽涉到Tensor操作,不夠直觀,也不方便調試,所有有時候會顯得比較困難。使用這種方法時,常用的一些操作包括tf.TextLineReader,tf.FixedLengthRecordReader以及tf.decode_raw等等。如果需要循環,條件操作,還需要使用TensorFlow的tf.while_loop,tf.case等操作。這種方式,可以參考原作者之前的一篇文章:十圖詳解TensorFlow數據讀取機制)。。同時就是cifar10的例子,可以參看https://blog.csdn.net/lyb3b3b/article/details/86315662
Dataset API同時支持從內存和硬盤的讀取,相比之前的兩種方法在語法上更加簡潔易懂。此外,如果想要用到TensorFlow新出的Eager模式,就必須要使用Dataset API來讀取數據。
tf.data.Dataset的API導入
在tf 1.3.0版本中,Dataset API是放在contrib包中的:
tf.contrib.data.Dataset
從tf 1.4.0開始該API獨立出來:
tf.data.Dataset
一、基本概念:Dataset與Iterator
在初學時,我們只需要關注兩個最重要的基礎類:Dataset和Iterator。
Dataset可以看作是相同類型“元素”的有序列表。在實際使用時,單個“元素”可以是向量,也可以是字符串、圖片,甚至是tuple或者dict。
from_tensor_slices是這個Dataset類的一個方法
先tf.data.Dataset.from_tensor_slices產生數據集Dataset,經過實例化,才產生迭代器Iterator。
注意迭代器Iterator分爲:
iterator = dataset.make_one_shot_iterator() 只能讀一次
iterator = dataset.make_initializable_iterator() (這個需要iterator.initializer初始化)
- import tensorflow as tf
- import numpy as np
- '''創建dataset'''
- dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0,2.0,3.0,4.0,5.0]))
-
- '''實例化iterator'''
- iterator = dataset.make_one_shot_iterator()
- one_element = iterator.get_next()
- with tf.Session() as sess:
- for i in range(5):
- print(sess.run(one_element)) #則輸出1.0 2.0 3.0 4.0 5.0
- #或者
- #不過,make_initializable_iterator的情況需要初始化
- iterator = dataset.make_initializable_iterator()
- next_element = iterator.get_next()
- with tf.Session() as sess:
- #注意:這裏多了一個初始化,
- sess.run(iterator.initializer)
- for i in range(5):
- print(sess.run(next_element)) #則輸出1.0 2.0 3.0 4.0 5.0
先使用dataset=tf.data.Dataset.from_tensor_slices創建dataset,然後使用iterator = dataset.make_one_shot_iterator()從dataset中實例化了一個Iterator,這個Iterator是一個“one shot iterator”,即只能從頭到尾讀取一次。one_element = iterator.get_next()表示從iterator裏取出一個元素。上面這是非Eager模式,所以one_element只是一個Tensor,並不是一個實際的值。調用sess.run(one_element)後,才能真正地取出一個值。
且當一個dataset中的元素被讀取完了,再嘗試sess.run(one_element)會報tf.errors.OutOfRangeError異常,這個行爲與使用隊列方式讀取數據的行爲是一致的。在實際程序中,可以在外界捕捉這個異常以判斷數據是否讀取完,如:try … except語句。
- 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()
- one_element = iterator.get_next()
- with tf.Session(config=config) as sess:
- try:
- while True:
- print(sess.run(one_element))
- except tf.errors.OutOfRangeError:
- print("end!")
在Eager模式中(正常都是非Eager模式)如下例,創建Iterator的方式有所不同。是通過tfe.Iterator(dataset)的形式直接創建Iterator並迭代。迭代時可以直接取出值,不需要使用sess.run():
- 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)
二、高維數據集使用
tf.data.Dataset.from_tensor_slices真正的作用是切分傳入Tensor的第一個維度,生成相應的dataset。
例如:
dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))
傳入的數值是一個矩陣,它的形狀爲(5, 2),tf.data.Dataset.from_tensor_slices就會切分它形狀上的第一個維度,最後生成的dataset中一個含有5個元素,每個元素的形狀是(2, ),即每個元素是矩陣的一行。
在實際使用中,我們可能還希望Dataset中的每個元素具有更復雜的形式,如每個元素是一個Python中的元組,或是Python中的詞典。
例如,輸入是訓練集和標籤的tuple,生成的每條記錄也是tuple
- dataset = tf.contrib.data.Dataset.from_tensor_slices(
- ( np.random.uniform(size=(5, 2)), np.array([1.0, 2.0, 3.0, 4.0, 5.0])))
- 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!")
- 輸出:
- (array([6.55877282e-04, 6.63244735e-01]),1.0)
- (array([0.04756927, 0.44968581]),2.0)
- (array([0.97841076, 0.06465231]),3.0)
- (array([0.46639246, 0.39146086]),4.0)
- (array([0.61085016, 0.61609538]),5.0)
例如,在圖像識別問題
一個元素可以是{“image”: image_tensor, “label”: label_tensor}的形式,這樣處理起來更方便。
tf.data.Dataset.from_tensor_slices同樣支持創建這種dataset,例如我們可以讓每一個元素是一個詞典。
- dataset = tf.contrib.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))
- }
- )
- 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:
- print("end!")
- 輸出:
- {'a': 1.0, 'b': array([0.31721037, 0.33378767])}
- {'a': 2.0, 'b': array([0.99221946, 0.65894961])}
- {'a': 3.0, 'b': array([0.98405468, 0.11478854])}
- {'a': 4.0, 'b': array([0.95311317, 0.57432678])}
- {'a': 5.0, 'b': array([0.46067428, 0.19716722])}
這時函數會分別切分”a”中的數值以及”b”中的數值,最終dataset中的一個元素就是類似於{“a”: 1.0, “b”: [0.9, 0.1]}的形式。
三、對Dataset中的元素做變換
Dataset支持一類特殊的操作:Transformation。一個Dataset通過Transformation變成一個新的Dataset。通常我們可以通過Transformation完成數據變換,打亂,組成batch,生成epoch等一系列操作。
常用的Transformation有:
- Map
- batch
- shuffle
- repeat
1 .map
map接收一個函數,Dataset中的每個元素都會被當作這個函數的輸入,並將函數返回值作爲新的Dataset,如我們可以對dataset中每個元素的值加1:
- 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
2.batch
batch就是將多個元素組合成batch,如下面的程序將dataset中的每個元素組成了大小爲32的batch:
- dataset = 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))
- })
- dataset = dataset.batch(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:
- print("end!")
- 輸出
- {'a': array([1., 2.]), 'b': array([[0.87466134, 0.21519021], [0.6123372 , 0.95722733]])}
- {'a': array([3., 4.]), 'b': array([[0.76964374, 0.22445015], [0.08313089, 0.60531841]])}
- {'a': array([5.]), 'b': array([[0.37901654, 0.3955096 ]])}
3.shuffle
shuffle的功能爲打亂dataset中的元素,它有一個參數buffersize,表示打亂時使用的buffer的大小:
dataset = dataset.shuffle(buffer_size=10000)
4.repeat
repeat的功能就是將整個序列重複多次,主要用來處理機器學習中的epoch,假設原先的數據是一個epoch,使用repeat(5)就可以將之變成5個epoch:
dataset = dataset.repeat(5)
如果直接調用repeat()的話,生成的序列就會無限重複下去,沒有結束,因此也不會拋出tf.errors.OutOfRangeError異常:dataset = dataset.repeat()
讀入磁盤圖片與對應label
我們可以來考慮一個簡單,但同時也非常常用的例子:讀入磁盤中的圖片和圖片相應的label,並將其打亂,組成batch_size=32的訓練樣本。在訓練時重複10個epoch。
官方示例程序修改而來:
- # 函數的功能時將filename對應的圖片文件讀進來,並縮放到統一的大小
- def _parse_function(filename, label):
- image_string = tf.read_file(filename)
- image_decoded = tf.image.decode_image(image_string)
- image_resized = tf.image.resize_images(image_decoded, [28, 28])
- return image_resized, label
-
- # 圖片文件的列表
- filenames = tf.constant(["/var/data/image1.jpg", "/var/data/image2.jpg", ...])
- # label[i]就是圖片filenames[i]的label
- labels = tf.constant([0, 37, ...])
-
- # 此句後dataset中的一個元素是(filename, label)
- dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))
-
- # 此句後dataset中的一個元素是(image_resized, label)
- dataset = dataset.map(_parse_function)
-
- # 此句後dataset中的一個元素是(image_resized_batch, label_batch)
- dataset = dataset.shuffle(buffersize=1000).batch(32).repeat(10)
這個過程中,dataset經歷三次轉變:
- 運行dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))後,dataset的一個元素是(filename, label)。filename是圖片的文件名,label是圖片對應的標籤。
- 之後通過map,將filename對應的圖片讀入,並縮放爲28x28的大小。此時dataset中的一個元素是(image_resized, label)。
- 最後,dataset.shuffle(buffersize=1000).batch(32).repeat(10)的功能是:在每個epoch內將圖片打亂組成大小爲32的batch,並重復10次。最終,dataset中的一個元素是(image_resized_batch, label_batch),image_resized_batch的形狀爲(32, 28, 28, 3),而label_batch的形狀爲(32, ),接下來我們就可以用這兩個Tensor來建立模型了。
三、Dataset的其他創建方法
除了tf.data.Dataset外,目前Dataset API還提供了另外三種創建Dataset的方式:
- tf.data.TextLineDataset():這個函數的輸入是一個文件的列表,輸出是一個dataset。dataset中的每一個元素就對應了文件中的一行。可以使用這個函數來讀入CSV文件。
- tf.data.FixedLengthRecordDataset():這個函數的輸入是一個文件的列表和一個record_bytes,之後dataset的每一個元素就是文件中固定字節數record_bytes的內容。通常用來讀取以二進制形式保存的文件,如CIFAR10數據集就是這種形式。
- tf.data.TFRecordDataset():顧名思義,這個函數是用來讀TFRecord文件的,dataset中的每一個元素就是一個TFExample。
四、創建iterator的兩種方式
一般來說就是上文中說的兩種方式:
make_one_shot_iterator
在非Eager模式下,最簡單的創建Iterator的方法就是通過dataset.make_one_shot_iterator()來創建一個one shot iterator。
Note: The returned iterator will be initialized automatically. A "one-shot" iterator does not currently support re-initialization.
注意:這個迭代器自動初始化,也不支持重新初始化
make_initializable_iterator
Note: The returned iterator will be in an uninitialized state, and you must run the
iterator.initializer
operation before using it:
注意:返回的迭代器處於未初始化狀態,必須使用iterator.initializer操作初始化
initializable iterator必須要在使用前通過sess.run()來初始化。使用initializable iterator,可以將placeholder代入Iterator中,這可以方便我們通過參數快速定義新的Iterator。一個簡單的initializable iterator使用示例:
- 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 = sess.run(next_element)
- assert i == value
此時的limit相當於一個“參數”,它規定了Dataset中數的“上限”。
initializable iterator還有一個功能:讀入較大的數組。
在使用tf.data.Dataset.from_tensor_slices(array)時,實際上發生的事情是將array作爲一個tf.constants保存到了計算圖中。當array很大時,會導致計算圖變得很大,給傳輸、保存帶來不便。這時,我們可以用一個placeholder取代這裏的array,並使用initializable iterator,只在需要時將array傳進去,這樣就可以避免把大數組保存在圖裏,示例代碼爲(來自官方例程):
- 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})
最後,這是一個相對完整的例子。
next_element = iterator.get_next() 產生了一個get_next()操作
運行一下bx_data, by_data = sess.run(next_element),則產生了一次批次的數據
- '''tfx和tfy佔位符,其實只是用於導入np數據集。 和模型的輸入沒關係'''
- tfx = tf.placeholder(npx_train.dtype, npx_train.shape)
- tfy = tf.placeholder(npy_train.dtype, npy_train.shape)
-
- dataset = tf.contrib.data.Dataset.from_tensor_slices((tfx, tfy))
- dataset = dataset.shuffle(buffer_size=1000) # choose data randomly from this buffer
- dataset = dataset.batch(32) # batch size you will use
- dataset = dataset.repeat(3) #重複3個epochs,如果是repeat(),則無限制
- iterator = dataset.make_initializable_iterator() # later we have to initialize this one
- sess = tf.Session()
- '''iterator必須要在使用前通過sess.run()來初始化,這裏喂的數據npx_train和npy_train是np數組'''
- sess.run(iterator.initializer,feed_dict={tfx: npx_train, tfy: npy_train})
- '''netx_element是一個產生批次的operation,run()一下就產生一個批次'''
- next_element = iterator.get_next()
-
- 在使用的時候:
- bx_data, by_data = sess.run(next_element) #運行一下產生一個批次數據
- _, trainloss = sess.run([train, loss],feed_dict={bx:bx_data,by:by_data})
總結
本文主要介紹了Dataset API的基本架構:Dataset類和Iterator類,以及它們的基礎使用方法。
在非Eager模式下,Dataset中讀出的一個元素一般對應一個batch的Tensor,我們可以使用這個Tensor在計算圖中構建模型。
在Eager模式下,Dataset建立Iterator的方式有所不同,此時通過讀出的數據就是含有值的Tensor,方便調試。