TensorFlow的系統架構,如下圖所示:
TensorFlow的系統架構分爲兩個部分:
- 前端系統:提供編程模型,負責構造計算圖;
- 後端系統:提供運行時環境,負責執行計算圖。
在處理數據的過程當中,由於現在的硬件性能的極大提升,數值計算過程可以通過加強硬件的方式來改善。
因此數據讀取(即IO)往往會成爲系統運行性能的瓶頸。
在TensorFlow框架中提供了三種數據讀取方式:
- Preloaded data: 預加載數據
- Feeding: placeholder, feed_dict 由佔位符代替數據,運行時填入數據
- Reading from file: 從文件中直接讀取
以上三種讀取方式各有自己的特點,在瞭解這些特點或區別之前,需要知道TensorFlow是如何進行工作的。
TF的核心是用的C++寫的,這樣的好處是運行的速度較快,但是缺點並不靈活。
而python恰好相反,所以結合了兩種語言的優勢。涉及計算的核心算子和運行框架是用的C++寫的,並提供API給python。
python調用這些API設計訓練模型(graph),再將設計好的graph給後端去執行。
簡而言之,Python的角色是Design,C++是Run。
1. Preload data: constant 預加載數據
特點:數據直接嵌入graph, 由graph傳入session中運行
import tensorflow as tf
#設計graph
x = tf.constant([1,2,3], name='x')
y = tf.constant([2,3,4], name='y')
z = tf.add(x,y, name='z')
#打開一個session,計算z
with tf.Session() as sess:
print(sess.run(z))
運行結果如下:
在設計Graph的時候,x和y就被定義成了兩個有值的列表,在計算z的時候直接取x1和x2的值。
2.Feeding: placeholder, feed_dict
特點:由佔位符代替數據,運行時填入數據
import tensorflow as tf
#設計graph,用佔位符代替
x = tf.placeholder(tf.int16)
y = tf.placeholder(tf.int16)
z = tf.add(x,y, name='z')
#打開一個session
with tf.Session() as sess:
#創建數據
xs = [1,2,3]
ys = [2,3,4]
#運行session,用feed_dict來將創建的數據傳遞進佔位符
print(sess.run(z, feed_dict={x: xs, y: ys}))
運行結果如下:
在這裏x, y只是佔位符,沒有具體的值,那麼運行的時候去哪取值呢?這時候就要用到sess.run()中的feed_dict參數。
將Python產生的數據餵給後端,並計算z。
3.Reading From File:直接從文件中讀取
前兩種方法很方便,但是遇到大型數據的時候就會很吃力,即使是Feeding,中間環節的增加也是不小的開銷,比如數據類型轉換等等。最優的方案就是在Graph定義好文件讀取的方法,讓TF自己去從文件中讀取數據,並解碼成可使用的樣本集。
這種直接從文件中讀取數據的方式需要設計成Queue的方式才能較好的解決IO瓶頸的問題。
Queue機制有如下三個特點:
- producer-consumer pattern(生產消費模式)
- 獨立於主線程執行
- 異步IO: reader.read(queue) tf.train.batch()
在上圖中,首先由一個單線程把文件名堆入隊列,兩個Reader同時從隊列中取文件名並讀取數據,Decoder將讀出的數據解碼後堆入樣本隊列,最後單個或批量取出樣本(圖中沒有展示樣本出列)。
我們這裏通過三段代碼逐步實現上圖的數據流,這裏我們不使用隨機,讓結果更清晰。
文件準備
$ echo -e "Alpha1,A1\nAlpha2,A2\nAlpha3,A3" > A.csv
$ echo -e "Bee1,B1\nBee2,B2\nBee3,B3" > B.csv
$ echo -e "Sea1,C1\nSea2,C2\nSea3,C3" > C.csv
$ cat A.csv
Alpha1,A1
Alpha2,A2
Alpha3,A3
單個Reader,單個樣本
import tensorflow as tf
# 生成一個先入先出隊列和一個QueueRunner
filenames = ['A.csv', 'B.csv', 'C.csv']
filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
# 定義Reader
reader = tf.TextLineReader()
key, value = reader.read(filename_queue)
# 定義Decoder
example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
# 運行Graph
with tf.Session() as sess:
coord = tf.train.Coordinator() #創建一個協調器,管理線程
threads = tf.train.start_queue_runners(coord=coord) #啓動QueueRunner, 此時文件名隊列已經進隊。
for i in range(10):
print example.eval() #取樣本的時候,一個Reader先從文件名隊列中取出文件名,
#讀出數據,Decoder解析後進入樣本隊列。
coord.request_stop()
coord.join(threads)
# outpt
Alpha1
Alpha2
Alpha3
Bee1
Bee2
Bee3
Sea1
Sea2
Sea3
Alpha1
- 單個Reader,多個樣本
import tensorflow as tf
filenames = ['A.csv', 'B.csv', 'C.csv']
## filenames = tf.train.match_filenames_once('.\data\*.csv')
filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
reader = tf.TextLineReader()
key, value = reader.read(filename_queue)
example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
# 使用tf.train.batch()會多加了一個樣本隊列和一個QueueRunner。Decoder解後數據會進入這個隊列,再批量出隊。
# 雖然這裏只有一個Reader,但可以設置多線程,相應增加線程數會提高讀取速度,但並不是線程越多越好。
example_batch, label_batch = tf.train.batch(
[example, label], batch_size=5)
with tf.Session() as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
for i in range(10):
print example_batch.eval()
coord.request_stop()
coord.join(threads)
# output
# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']
# ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']
# ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']
# ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']
# ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']
# ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']
# ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']
# ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']
# ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']
# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']
多Reader,多個樣本
import tensorflow as tf
filenames = ['A.csv', 'B.csv', 'C.csv']
filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
reader = tf.TextLineReader()
key, value = reader.read(filename_queue)
record_defaults = [['null'], ['null']]
example_list = [tf.decode_csv(value, record_defaults=record_defaults)
for _ in range(2)] # Reader設置爲2
# 使用tf.train.batch_join(),可以使用多個reader,並行讀取數據。每個Reader使用一個線程。
example_batch, label_batch = tf.train.batch_join(
example_list, batch_size=5)
with tf.Session() as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
for i in range(10):
print example_batch.eval()
coord.request_stop()
coord.join(threads)
# output
# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']
# ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']
# ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']
# ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']
# ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']
# ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']
# ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']
# ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']
# ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']
# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']
tf.train.batch
與tf.train.shuffle_batch'
數是單個Reader讀取,但是可以多線程。tf.train.batch_join'
和tf.train.shuffle_batch_join
可設置多Reader讀取,每個Reader使用一個線程。至於兩種方法的效率,單Reader時,2個線程就達到了速度的極限。多Reader時,2個Reader就達到了極限。所以並不是線程越多越快,甚至更多的線程反而會使效率下降。
迭代控制
filenames = ['A.csv', 'B.csv', 'C.csv']
filename_queue = tf.train.string_input_producer(filenames, shuffle=False, num_epochs=3)
# num_epoch: 設置迭代數
reader = tf.TextLineReader()
key, value = reader.read(filename_queue)
record_defaults = [['null'], ['null']]
example_list = [tf.decode_csv(value, record_defaults=record_defaults)
for _ in range(2)]
example_batch, label_batch = tf.train.batch_join(
example_list, batch_size=5)
init_local_op = tf.initialize_local_variables()
with tf.Session() as sess:
sess.run(init_local_op) # 初始化本地變量
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
try:
while not coord.should_stop():
print example_batch.eval()
except tf.errors.OutOfRangeError:
print('Epochs Complete!')
finally:
coord.request_stop()
coord.join(threads)
coord.request_stop()
coord.join(threads)
# output
# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']
# ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']
# ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']
# ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']
# ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']
# Epochs Complete!
在迭代控制中,記得添加 tf.initialize_local_variables()
,官網教程沒有說明,但是如果不初始化,運行就會報錯。
參考博客:https://blog.csdn.net/chengshuhao1991/article/details/78644966