用 tf.data 加載圖片
本教程提供一個如何使用 tf.data
加載圖片的簡單例子。
本例中使用的數據集分佈在圖片文件夾中,一個文件夾含有一類圖片。
1. 配置
import tensorflow as tf
AUTOTUNE = tf.data.experimental.AUTOTUNE
2. 下載並檢查數據集
2.1 檢索圖片
在你開始任何訓練之前,你將需要一組圖片來教會網絡你想要訓練的新類別。你已經創建了一個文件夾,存儲了最初使用的擁有創作共用許可的花卉照片。
import pathlib
data_root_orig = tf.keras.utils.get_file(origin='https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz',
fname='flower_photos', untar=True)
data_root = pathlib.Path(data_root_orig)
print(data_root)
Downloading data from https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz
228818944/228813984 [==============================] - 55s 0us/step
C:\Users\lenovo\.keras\datasets\flower_photos
下載了 218 MB 之後,你現在應該有花卉照片副本:
for item in data_root.iterdir():
print(item)
C:\Users\lenovo\.keras\datasets\flower_photos\daisy
C:\Users\lenovo\.keras\datasets\flower_photos\dandelion
C:\Users\lenovo\.keras\datasets\flower_photos\LICENSE.txt
C:\Users\lenovo\.keras\datasets\flower_photos\roses
C:\Users\lenovo\.keras\datasets\flower_photos\sunflowers
C:\Users\lenovo\.keras\datasets\flower_photos\tulips
import random
all_image_paths = list(data_root.glob('*/*'))
all_image_paths = [str(path) for path in all_image_paths]
random.shuffle(all_image_paths)
image_count = len(all_image_paths)
image_count
3670
all_image_paths[:10]
['C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\dandelion\\4714026966_93846ddb74_m.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\sunflowers\\8265023280_713f2c69d0_m.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\daisy\\3711892138_b8c953fdc1_z.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\daisy\\2641979584_2b21c3fe29_m.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\dandelion\\2569516382_9fd7097b9b.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\dandelion\\3372748508_e5a4eacfcb_n.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\tulips\\142235017_07816937c6.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\roses\\12395698413_c0388278f7.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\tulips\\3511776685_3635087b12_n.jpg',
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\sunflowers\\20621698991_dcb323911d.jpg']
2.2 檢查圖片
現在讓我們快速瀏覽幾張圖片,這樣你知道你在處理什麼:
import os
attributions = (data_root/"LICENSE.txt").open(encoding='utf-8').readlines()[4:]
attributions = [line.split(' CC-BY') for line in attributions]
attributions = dict(attributions)
import IPython.display as display
def caption_image(image_path):
image_rel = pathlib.Path(image_path).relative_to(data_root)
return "Image (CC BY 2.0) " + ' - '.join(attributions[str(image_rel)].split(' - ')[:-1])
for n in range(3):
image_path = random.choice(all_image_paths)
display.display(display.Image(image_path))
# print(caption_image(image_path))
print()
2.3 確定每張圖片的標籤
列出可用的標籤:
label_names = sorted(item.name for item in data_root.glob('*/') if item.is_dir())
label_names
['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
爲每個標籤分配索引:
label_to_index = dict((name, index) for index, name in enumerate(label_names))
label_to_index
{'daisy': 0, 'dandelion': 1, 'roses': 2, 'sunflowers': 3, 'tulips': 4}
創建一個列表,包含每個文件的標籤索引:
all_image_labels = [label_to_index[pathlib.Path(path).parent.name]
for path in all_image_paths]
print("First 10 labels indices: ", all_image_labels[:10])
First 10 labels indices: [1, 3, 0, 0, 1, 1, 4, 2, 4, 3]
2.4 加載和格式化圖片
TensorFlow 包含加載和處理圖片時你需要的所有工具:
img_path = all_image_paths[0]
img_path
'C:\\Users\\lenovo\\.keras\\datasets\\flower_photos\\dandelion\\4714026966_93846ddb74_m.jpg'
以下是原始數據:
img_raw = tf.io.read_file(img_path)
print(repr(img_raw)[:100]+"...")
<tf.Tensor: shape=(), dtype=string, numpy=b'\xff\xd8\xff\xe0\x00\x10JFIF\x00\x01\x01\x00\x00\x01\x00...
將它解碼爲圖像 tensor(張量):
img_tensor = tf.image.decode_image(img_raw)
print(img_tensor.shape)
print(img_tensor.dtype)
(240, 180, 3)
<dtype: 'uint8'>
根據你的模型調整其大小:
img_final = tf.image.resize(img_tensor, [192, 192])
img_final = img_final/255.0
print(img_final.shape)
print(img_final.numpy().min())
print(img_final.numpy().max())
(192, 192, 3)
0.0
0.9996783
將這些包裝在一個簡單的函數裏,以備後用。
def preprocess_image(image):
image = tf.image.decode_jpeg(image, channels=3)
image = tf.image.resize(image, [192, 192])
image /= 255.0 # normalize to [0,1] range
return image
def load_and_preprocess_image(path):
image = tf.io.read_file(path)
return preprocess_image(image)
import matplotlib.pyplot as plt
image_path = all_image_paths[0]
label = all_image_labels[0]
plt.imshow(load_and_preprocess_image(img_path))
plt.grid(False)
# plt.xlabel(caption_image(img_path))
plt.title(label_names[label].title())
print()
3. 構建一個 tf.data.Dataset
3.1 一個圖片數據集
構建 tf.data.Dataset
最簡單的方法就是使用 from_tensor_slices
方法。
將字符串數組切片,得到一個字符串數據集:
path_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)
shapes(維數)
和 types(類型)
描述數據集裏每個數據項的內容。在這裏是一組標量二進制字符串。
print(path_ds)
<TensorSliceDataset shapes: (), types: tf.string>
現在創建一個新的數據集,通過在路徑數據集上映射 preprocess_image
來動態加載和格式化圖片。
image_ds = path_ds.map(load_and_preprocess_image, num_parallel_calls=AUTOTUNE)
import matplotlib.pyplot as plt
plt.figure(figsize=(8,8))
for n, image in enumerate(image_ds.take(4)):
plt.subplot(2,2,n+1)
plt.imshow(image)
plt.grid(False)
plt.xticks([])
plt.yticks([])
# plt.xlabel(caption_image(all_image_paths[n]))
plt.show()
3.2 一個(圖片, 標籤)
對數據集
使用同樣的 from_tensor_slices
方法你可以創建一個標籤數據集:
label_ds = tf.data.Dataset.from_tensor_slices(tf.cast(all_image_labels, tf.int64))
for label in label_ds.take(10):
print(label_names[label.numpy()])
dandelion
sunflowers
daisy
daisy
dandelion
dandelion
tulips
roses
tulips
sunflowers
由於這些數據集順序相同,你可以將他們打包在一起得到一個(圖片, 標籤)
對數據集:
image_label_ds = tf.data.Dataset.zip((image_ds, label_ds))
這個新數據集的 shapes(維數)
和 types(類型)
也是維數和類型的元組,用來描述每個字段:
print(image_label_ds)
<ZipDataset shapes: ((192, 192, 3), ()), types: (tf.float32, tf.int64)>
注意:當你擁有形似 all_image_labels
和 all_image_paths
的數組,tf.data.dataset.Dataset.zip
的替代方法是將這對數組切片。
ds = tf.data.Dataset.from_tensor_slices((all_image_paths, all_image_labels))
# 元組被解壓縮到映射函數的位置參數中
def load_and_preprocess_from_path_label(path, label):
return load_and_preprocess_image(path), label
image_label_ds = ds.map(load_and_preprocess_from_path_label)
image_label_ds
<MapDataset shapes: ((192, 192, 3), ()), types: (tf.float32, tf.int32)>
3.3 訓練的基本方法
要使用此數據集訓練模型,你將會想要數據:
- 被充分打亂。
- 被分割爲 batch。
- 永遠重複。
- 儘快提供 batch。
使用 tf.data
api 可以輕鬆添加這些功能。
BATCH_SIZE = 32
# 設置一個和數據集大小一致的 shuffle buffer size(隨機緩衝區大小)以保證數據
# 被充分打亂。
ds = image_label_ds.shuffle(buffer_size=image_count)
ds = ds.repeat()
ds = ds.batch(BATCH_SIZE)
# 當模型在訓練的時候,`prefetch` 使數據集在後臺取得 batch。
ds = ds.prefetch(buffer_size=AUTOTUNE)
ds
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int32)>
這裏有一些注意事項:
- 順序很重要。
-
在
.repeat
之後.shuffle
,會在 epoch 之間打亂數據(當有些數據出現兩次的時候,其他數據還沒有出現過)。 -
在
.batch
之後.shuffle
,會打亂 batch 的順序,但是不會在 batch 之間打亂數據。
-
你在完全打亂中使用和數據集大小一樣的
buffer_size(緩衝區大小)
。較大的緩衝區大小提供更好的隨機化,但使用更多的內存,直到超過數據集大小。 -
在從隨機緩衝區中拉取任何元素前,要先填滿它。所以當你的
Dataset(數據集)
啓動的時候一個大的buffer_size(緩衝區大小)
可能會引起延遲。 -
在隨機緩衝區完全爲空之前,被打亂的數據集不會報告數據集的結尾。
Dataset(數據集)
由.repeat
重新啓動,導致需要再次等待隨機緩衝區被填滿。
最後一點可以通過使用 tf.data.Dataset.apply
方法和融合過的 tf.data.experimental.shuffle_and_repeat
函數來解決:
ds = image_label_ds.apply(
tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
ds = ds.batch(BATCH_SIZE)
ds = ds.prefetch(buffer_size=AUTOTUNE)
ds
WARNING:tensorflow:From <ipython-input-34-4dc713bd4d84>:2: shuffle_and_repeat (from tensorflow.python.data.experimental.ops.shuffle_ops) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.data.Dataset.shuffle(buffer_size, seed)` followed by `tf.data.Dataset.repeat(count)`. Static tf.data optimizations will take care of using the fused implementation.
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int32)>
3.4 傳遞數據集至模型
從 tf.keras.applications
取得 MobileNet v2 副本。
該模型副本會被用於一個簡單的遷移學習例子。
設置 MobileNet 的權重爲不可訓練:
mobile_net = tf.keras.applications.MobileNetV2(input_shape=(192, 192, 3), include_top=False)
mobile_net.trainable=False
Downloading data from https://github.com/JonathanCMitchell/mobilenet_v2_keras/releases/download/v1.1/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_192_no_top.h5
9412608/9406464 [==============================] - 3s 0us/step
該模型期望它的輸出被標準化至 [-1,1]
範圍內:
help(keras_applications.mobilenet_v2.preprocess_input)
在你將輸出傳遞給 MobilNet 模型之前,你需要將其範圍從 [0,1]
轉化爲 [-1,1]
:
def change_range(image,label):
"""
該函數使用“Inception”預處理,將
RGB 值從 [0, 255] 轉化爲 [-1, 1]
"""
return 2*image-1, label
keras_ds = ds.map(change_range)
MobileNet 爲每張圖片的特徵返回一個 6x6
的空間網格。
傳遞一個 batch 的圖片給它,查看結果:
# 數據集可能需要幾秒來啓動,因爲要填滿其隨機緩衝區。
image_batch, label_batch = next(iter(keras_ds))
feature_map_batch = mobile_net(image_batch)
print(feature_map_batch.shape)
(32, 6, 6, 1280)
構建一個包裝了 MobileNet 的模型並在 tf.keras.layers.Dense
輸出層之前使用 tf.keras.layers.GlobalAveragePooling2D
來平均那些空間向量:
model = tf.keras.Sequential([
mobile_net,
tf.keras.layers.GlobalAveragePooling2D(),
tf.keras.layers.Dense(len(label_names), activation = 'softmax')])
現在它產出符合預期 shape(維數)的輸出:
logit_batch = model(image_batch).numpy()
print("min logit:", logit_batch.min())
print("max logit:", logit_batch.max())
print()
print("Shape:", logit_batch.shape)
min logit: 0.013189439
max logit: 0.80941063
Shape: (32, 5)
編譯模型以描述訓練過程:
model.compile(optimizer=tf.keras.optimizers.Adam(),
loss='sparse_categorical_crossentropy',
metrics=["accuracy"])
此處有兩個可訓練的變量 —— Dense 層中的 weights(權重)
和 bias(偏差)
:
len(model.trainable_variables)
2
model.summary()
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
mobilenetv2_1.00_192 (Model) (None, 6, 6, 1280) 2257984
_________________________________________________________________
global_average_pooling2d (Gl (None, 1280) 0
_________________________________________________________________
dense (Dense) (None, 5) 6405
=================================================================
Total params: 2,264,389
Trainable params: 6,405
Non-trainable params: 2,257,984
_________________________________________________________________
你已經準備好來訓練模型了。
注意,出於演示目的每一個 epoch 中你將只運行 3 step,但一般來說在傳遞給 model.fit()
之前你會指定 step 的真實數量,如下所示:
steps_per_epoch=tf.math.ceil(len(all_image_paths)/BATCH_SIZE).numpy()
steps_per_epoch
115.0
model.fit(ds, epochs=1, steps_per_epoch=3)
Train for 3 steps
3/3 [==============================] - 36s 12s/step - loss: 1.7119 - accuracy: 0.2812
<tensorflow.python.keras.callbacks.History at 0x1e9266d4108>
4. 性能
注意:這部分只是展示一些可能幫助提升性能的簡單技巧。深入指南,請看:輸入 pipeline(管道)的性能。
上面使用的簡單 pipeline(管道)在每個 epoch 中單獨讀取每個文件。在本地使用 CPU 訓練時這個方法是可行的,但是可能不足以進行 GPU 訓練並且完全不適合任何形式的分佈式訓練。
要研究這點,首先構建一個簡單的函數來檢查數據集的性能:
import time
default_timeit_steps = 2*steps_per_epoch+1
def timeit(ds, steps=default_timeit_steps):
overall_start = time.time()
# 在開始計時之前
# 取得單個 batch 來填充 pipeline(管道)(填充隨機緩衝區)
it = iter(ds.take(steps+1))
next(it)
start = time.time()
for i,(images,labels) in enumerate(it):
if i%10 == 0:
print('.',end='')
print()
end = time.time()
duration = end-start
print("{} batches: {} s".format(steps, duration))
print("{:0.5f} Images/s".format(BATCH_SIZE*steps/duration))
print("Total time: {}s".format(end-overall_start))
當前數據集的性能是:
ds = image_label_ds.apply(
tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
ds = ds.batch(BATCH_SIZE).prefetch(buffer_size=AUTOTUNE)
ds
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int32)>
timeit(ds)
........................
231.0 batches: 38.075591802597046 s
194.14012 Images/s
Total time: 55.05409812927246s
4.1 緩存
使用 tf.data.Dataset.cache
在 epoch 之間輕鬆緩存計算結果。這是非常高效的,特別是當內存能容納全部數據時。
在被預處理之後(解碼和調整大小),圖片在此被緩存了:
ds = image_label_ds.cache()
ds = ds.apply(
tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
ds = ds.batch(BATCH_SIZE).prefetch(buffer_size=AUTOTUNE)
ds
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int32)>
timeit(ds)
........................
231.0 batches: 1.7550482749938965 s
4211.84996 Images/s
Total time: 18.165388107299805s
使用內存緩存的一個缺點是必須在每次運行時重建緩存,這使得每次啓動數據集時有相同的啓動延遲:
timeit(ds)
........................
231.0 batches: 2.4259941577911377 s
3046.99827 Images/s
Total time: 2.4670004844665527s
如果內存不夠容納數據,使用一個緩存文件:
ds = image_label_ds.cache(filename='./cache.tf-data')
ds = ds.apply(
tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
ds = ds.batch(BATCH_SIZE).prefetch(1)
ds
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int32)>
timeit(ds)
........................
231.0 batches: 19.167855262756348 s
385.64565 Images/s
Total time: 52.678998708724976s
這個緩存文件也有可快速重啓數據集而無需重建緩存的優點。注意第二次快了多少:
timeit(ds)
........................
231.0 batches: 18.943477630615234 s
390.21346 Images/s
Total time: 26.635408639907837s
4.2 TFRecord 文件
4.2.1 原始圖片數據
TFRecord 文件是一種用來存儲一串二進制 blob 的簡單格式。通過將多個示例打包進同一個文件內,TensorFlow 能夠一次性讀取多個示例,當使用一個遠程存儲服務,如 GCS 時,這對性能來說尤其重要。
首先,從原始圖片數據中構建出一個 TFRecord 文件:
image_ds = tf.data.Dataset.from_tensor_slices(all_image_paths).map(tf.io.read_file)
tfrec = tf.data.experimental.TFRecordWriter('images.tfrec')
tfrec.write(image_ds)
接着,構建一個從 TFRecord 文件讀取的數據集,並使用你之前定義的 preprocess_image
函數對圖像進行解碼/重新格式化:
image_ds = tf.data.TFRecordDataset('images.tfrec').map(preprocess_image)
壓縮該數據集和你之前定義的標籤數據集以得到期望的 (圖片,標籤)
對:
ds = tf.data.Dataset.zip((image_ds, label_ds))
ds = ds.apply(
tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
ds=ds.batch(BATCH_SIZE).prefetch(AUTOTUNE)
ds
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int64)>
timeit(ds)
........................
231.0 batches: 36.933589696884155 s
200.14302 Images/s
Total time: 53.03426218032837s
這比 緩存
版本慢,因爲你還沒有緩存預處理。
4.2.2 序列化的 Tensor(張量)
要爲 TFRecord 文件省去一些預處理過程,首先像之前一樣製作一個處理過的圖片數據集:
paths_ds = tf.data.Dataset.from_tensor_slices(all_image_paths)
image_ds = paths_ds.map(load_and_preprocess_image)
image_ds
<MapDataset shapes: (192, 192, 3), types: tf.float32>
現在你有一個 tensor(張量)數據集,而不是一個 .jpeg
字符串數據集。
要將此序列化至一個 TFRecord 文件你首先將該 tensor(張量)數據集轉化爲一個字符串數據集:
ds = image_ds.map(tf.io.serialize_tensor)
ds
<MapDataset shapes: (), types: tf.string>
tfrec = tf.data.experimental.TFRecordWriter('images.tfrec')
tfrec.write(ds)
有了被緩存的預處理,就能從 TFrecord 文件高效地加載數據——只需記得在使用它之前反序列化:
ds = tf.data.TFRecordDataset('images.tfrec')
def parse(x):
result = tf.io.parse_tensor(x, out_type=tf.float32)
result = tf.reshape(result, [192, 192, 3])
return result
ds = ds.map(parse, num_parallel_calls=AUTOTUNE)
ds
<ParallelMapDataset shapes: (192, 192, 3), types: tf.float32>
現在,像之前一樣添加標籤和進行相同的標準操作:
ds = tf.data.Dataset.zip((ds, label_ds))
ds = ds.apply(
tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
ds=ds.batch(BATCH_SIZE).prefetch(AUTOTUNE)
ds
<PrefetchDataset shapes: ((None, 192, 192, 3), (None,)), types: (tf.float32, tf.int64)>
timeit(ds)
........................
231.0 batches: 24.437746047973633 s
302.48289 Images/s
Total time: 35.59574770927429s