| 在學習tensorflow的過程中，有很多小夥伴反映讀取數據這一塊很難理解。確實這一塊官方的教程比較簡略，網上也找不到什麼合適的學習材料。今天這篇文章就以圖片的形式，用最簡單的語言，爲大家詳細解釋一下tensorflow的數據讀取機制，文章的最後還會給出實戰代碼以供參考。 |
首先需要思考的一個問題是，什麼是數據讀取？以圖像數據爲例，讀取數據的過程可以用下圖來表示：
假設我們的硬盤中有一個圖片數據集0001.jpg，0002.jpg，0003.jpg……我們只需要把它們讀取到內存中，然後提供給GPU或是CPU進行計算就可以了。這聽起來很容易，但事實遠沒有那麼簡單。事實上，我們必須要把數據先讀入後才能進行計算，假設讀入用時0.1s，計算用時0.9s，那麼就意味着每過1s，GPU都會有0.1s無事可做，這就大大降低了運算的效率。
如何解決這個問題？方法就是將讀入數據和計算分別放在兩個線程中，將數據讀入內存的一個隊列，如下圖所示：
讀取線程源源不斷地將文件系統中的圖片讀入到一個內存的隊列中，而負責計算的是另一個線程，計算需要數據時，直接從內存隊列中取就可以了。這樣就可以解決GPU因爲IO而空閒的問題！
而在tensorflow中，爲了方便管理，在內存隊列前又添加了一層所謂的“文件名隊列”。
爲什麼要添加這一層文件名隊列？我們首先得了解機器學習中的一個概念：epoch。對於一個數據集來講，運行一個epoch就是將這個數據集中的圖片全部計算一遍。如一個數據集中有三張圖片A.jpg、B.jpg、C.jpg，那麼跑一個epoch就是指對A、B、C三張圖片都計算了一遍。兩個epoch就是指先對A、B、C各計算一遍，然後再全部計算一遍，也就是說每張圖片都計算了兩遍。
tensorflow使用文件名隊列+內存隊列雙隊列的形式讀入文件，可以很好地管理epoch。下面我們用圖片的形式來說明這個機制的運行方式。如下圖，還是以數據集A.jpg, B.jpg, C.jpg爲例，假定我們要跑一個epoch，那麼我們就在文件名隊列中把A、B、C各放入一次，並在之後標註隊列結束。
程序運行後，內存隊列首先讀入A（此時A從文件名隊列中出隊）：
再依次讀入B和C：
此時，如果再嘗試讀入，系統由於檢測到了“結束”，就會自動拋出一個異常（OutOfRange）。外部捕捉到這個異常後就可以結束程序了。這就是tensorflow中讀取數據的基本機制。如果我們要跑2個epoch而不是1個epoch，那隻要在文件名隊列中將A、B、C依次放入兩次再標記結束就可以了。
如何在tensorflow中創建上述的兩個隊列呢？
對於文件名隊列，我們使用tf.train.string_input_producer函數。這個函數需要傳入一個文件名list，系統會自動將它轉爲一個文件名隊列。
此外tf.train.string_input_producer還有兩個重要的參數，一個是num_epochs，它就是我們上文中提到的epoch數。另外一個就是shuffle，shuffle是指在一個epoch內文件的順序是否被打亂。若設置shuffle=False，如下圖，每個epoch內，數據還是按照A、B、C的順序進入文件名隊列，這個順序不會改變：
如果設置shuffle=True，那麼在一個epoch內，數據的前後順序就會被打亂，如下圖所示：
在tensorflow中，內存隊列不需要我們自己建立，我們只需要使用reader對象從文件名隊列中讀取數據就可以了，具體實現可以參考下面的實戰代碼。
除了tf.train.string_input_producer外，我們還要額外介紹一個函數：tf.train.start_queue_runners。初學者會經常在代碼中看到這個函數，但往往很難理解它的用處，在這裏，有了上面的鋪墊後，我們就可以解釋這個函數的作用了。
在我們使用tf.train.string_input_producer創建文件名隊列後，整個系統其實還是處於“停滯狀態”的，也就是說，我們文件名並沒有真正被加入到隊列中（如下圖所示）。此時如果我們開始計算，因爲內存隊列中什麼也沒有，計算單元就會一直等待，導致整個系統被阻塞。
而使用tf.train.start_queue_runners之後，纔會啓動填充隊列的線程，這時系統就不再“停滯”。此後計算單元就可以拿到數據並進行計算，整個程序也就跑起來了，這就是函數tf.train.start_queue_runners的用處。
我們用一個具體的例子感受tensorflow中的數據讀取。如圖，假設我們在當前文件夾中已經有A.jpg、B.jpg、C.jpg三張圖片，我們希望讀取這三張圖片5個epoch並且把讀取的結果重新存到read文件夾中。
對應的代碼如下：
# 導入tensorflow
import tensorflow as tf
# 新建一個Session
with tf.Session() as sess:
# 我們要讀三幅圖片A.jpg, B.jpg, C.jpg
filename = ['A.jpg', 'B.jpg', 'C.jpg']
# string_input_producer會產生一個文件名隊列
filename_queue = tf.train.string_input_producer(filename, shuffle=False, num_epochs=5)
# reader從文件名隊列中讀數據。對應的方法是reader.read
reader = tf.WholeFileReader()
key, value = reader.read(filename_queue)
# tf.train.string_input_producer定義了一個epoch變量，要對它進行初始化
tf.local_variables_initializer().run()
# 使用start_queue_runners之後，纔會開始填充隊列
threads = tf.train.start_queue_runners(sess=sess)
i = 0
while True:
i += 1
# 獲取圖片數據並保存
image_data = sess.run(value)
with open('read/test_%d.jpg' % i, 'wb') as f:
f.write(image_data)
我們這裏使用filename_queue = tf.train.string_input_producer(filename, shuffle=False, num_epochs=5)建立了一個會跑5個epoch的文件名隊列。並使用reader讀取，reader每次讀取一張圖片並保存。
運行代碼後，我們得到就可以看到read文件夾中的圖片，正好是按順序的5個epoch：
如果我們設置filename_queue = tf.train.string_input_producer(filename, shuffle=False, num_epochs=5)中的shuffle=True，那麼在每個epoch內圖像就會被打亂，如圖所示：
我們這裏只是用三張圖片舉例，實際應用中一個數據集肯定不止3張圖片，不過涉及到的原理都是共通的。
這篇文章主要用圖解的方式詳細介紹了tensorflow讀取數據的機制，最後還給出了對應的實戰代碼，希望能夠給大家學習tensorflow帶來一些實質性的幫助。如果各位小夥伴還有什麼疑問，歡迎評論或私信告訴我，謝謝~