tensorflow载入数据的三种方式

xiaoxiao2021-03-01  13

Tensorflow数据读取有三种方式:

Preloaded data: 预加载数据Feeding: Python产生数据,再把数据喂给后端。Reading from file: 从文件中直接读取

这三种有读取方式有什么区别呢? 我们首先要知道TensorFlow(TF)是怎么样工作的。

TF的核心是用C++写的,这样的好处是运行快,缺点是调用不灵活。而Python恰好相反,所以结合两种语言的优势。涉及计算的核心算子和运行框架是用C++写的,并提供API给Python。Python调用这些API,设计训练模型(Graph),再将设计好的Graph给后端去执行。简而言之,Python的角色是Design,C++是Run。

一、预加载数据:

[python]  view plain  copy import tensorflow as tf  # 设计Graph  x1 = tf.constant([234])  x2 = tf.constant([401])  y = tf.add(x1, x2)  # 打开一个session --> 计算y  with tf.Session() as sess:      print sess.run(y)   二、python产生数据,再将数据喂给后端

[python]  view plain  copy import tensorflow as tf  # 设计Graph  x1 = tf.placeholder(tf.int16)  x2 = tf.placeholder(tf.int16)  y = tf.add(x1, x2)  # 用Python产生数据  li1 = [234]  li2 = [401]  # 打开一个session --> 喂数据 --> 计算y  with tf.Session() as sess:      print sess.run(y, feed_dict={x1: li1, x2: li2})   说明:在这里x1, x2只是占位符,没有具体的值,那么运行的时候去哪取值呢?这时候就要用到 sess.run() 中的 feed_dict 参数,将Python产生的数据喂给后端,并计算y。 这两种方案的缺点:

1、预加载:将数据直接内嵌到Graph中,再把Graph传入Session中运行。当数据量比较大时,Graph的传输会遇到效率问题

2、用占位符替代数据,待运行的时候填充数据。

前两种方法很方便,但是遇到大型数据的时候就会很吃力,即使是Feeding,中间环节的增加也是不小的开销,比如数据类型转换等等。最优的方案就是在Graph定义好文件读取的方法,让TF自己去从文件中读取数据,并解码成可使用的样本集。

三、从文件中读取,简单来说就是将数据读取模块的图搭好

1、准备数据,构造三个文件,A.csv,B.csv,C.csv

[python]  view plain  copy $ 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   2、单个Reader,单个样本

[python]  view plain  copy #-*- coding:utf-8 -*-  import tensorflow as tf  # 生成一个先入先出队列和一个QueueRunner,生成文件名队列  filenames = ['A.csv''B.csv''C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  # 定义Reader  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  # 定义Decoder  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  #example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)  # 运行Graph  with tf.Session() as sess:      coord = tf.train.Coordinator()  #创建一个协调器,管理线程      threads = tf.train.start_queue_runners(coord=coord)  #启动QueueRunner, 此时文件名队列已经进队。      for i in range(10):          print example.eval(),label.eval()      coord.request_stop()      coord.join(threads)   说明:这里没有使用tf.train.shuffle_batch,会导致生成的样本和label之间对应不上,乱序了。生成结果如下:

Alpha1 A2Alpha3 B1Bee2 B3Sea1 C2Sea3 A1Alpha2 A3Bee1 B2Bee3 C1Sea2 C3Alpha1 A2

解决方案:用tf.train.shuffle_batch,那么生成的结果就能够对应上。

[python]  view plain  copy #-*- coding:utf-8 -*-  import tensorflow as tf  # 生成一个先入先出队列和一个QueueRunner,生成文件名队列  filenames = ['A.csv''B.csv''C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  # 定义Reader  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  # 定义Decoder  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)  # 运行Graph  with tf.Session() as sess:      coord = tf.train.Coordinator()  #创建一个协调器,管理线程      threads = tf.train.start_queue_runners(coord=coord)  #启动QueueRunner, 此时文件名队列已经进队。      for i in range(10):          e_val,l_val = sess.run([example_batch, label_batch])          print e_val,l_val      coord.request_stop()      coord.join(threads)   3、单个Reader,多个样本,主要也是通过 tf.train.shuffle_batch来实现

[python]  view plain  copy #-*- coding:utf-8 -*-  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)  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  # 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。  #Decoder解后数据会进入这个队列,再批量出队。  # 虽然这里只有一个Reader,但可以设置多线程,相应增加线程数会提高读取速度,但并不是线程越多越好。  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):          e_val,l_val = sess.run([example_batch,label_batch])          print e_val,l_val      coord.request_stop()      coord.join(threads)   说明:下面这种写法,提取出来的batch_size个样本,特征和label之间也是不同步的

[python]  view plain  copy #-*- coding:utf-8 -*-  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)  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  # 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。  #Decoder解后数据会进入这个队列,再批量出队。  # 虽然这里只有一个Reader,但可以设置多线程,相应增加线程数会提高读取速度,但并不是线程越多越好。  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(), label_batch.eval()      coord.request_stop()      coord.join(threads)   说明:输出结果如下:可以看出feature和label之间是不对应的

['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2'] ['B3' 'C1' 'C2' 'C3' 'A1']['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3'] ['C1' 'C2' 'C3' 'A1' 'A2']['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1'] ['C2' 'C3' 'A1' 'A2' 'A3']

4、多个reader,多个样本

[python]  view plain  copy #-*- coding:utf-8 -*-  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']]  #定义了多种解码器,每个解码器跟一个reader相连  example_list = [tf.decode_csv(value, record_defaults=record_defaults)                    for _ in range(2)]  # Reader设置为2  # 使用tf.train.batch_join(),可以使用多个reader,并行读取数据。每个Reader使用一个线程。  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):          e_val,l_val = sess.run([example_batch,label_batch])          print e_val,l_val      coord.request_stop()      coord.join(threads)   tf.train.batch tf.train.shuffle_batch 函数 是单个Reader读取 ,但是可以多线程。 tf.train.batch_join tf.train.shuffle_batch_join 可设置 多Reader读取,每个Reader使用一个线程 。至于两种方法的效率,单Reader时,2个线程就达到了速度的极限。多Reader时,2个Reader就达到了极限。所以并不是线程越多越快,甚至更多的线程反而会使效率下降。

5、迭代控制,设置epoch参数,指定我们的样本在训练的时候只能被用多少轮

[python]  view plain  copy #-*- coding:utf-8 -*-  import tensorflow as tf  filenames = ['A.csv''B.csv''C.csv']  #num_epoch: 设置迭代数  filename_queue = tf.train.string_input_producer(filenames, shuffle=False,num_epochs=3)  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  record_defaults = [['null'], ['null']]  #定义了多种解码器,每个解码器跟一个reader相连  example_list = [tf.decode_csv(value, record_defaults=record_defaults)                    for _ in range(2)]  # Reader设置为2  # 使用tf.train.batch_join(),可以使用多个reader,并行读取数据。每个Reader使用一个线程。  example_batch, label_batch = tf.train.batch_join(        example_list, batch_size=1)  #初始化本地变量  init_local_op = tf.initialize_local_variables()  with tf.Session() as sess:      sess.run(init_local_op)      coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)      try:          while not coord.should_stop():              e_val,l_val = sess.run([example_batch,label_batch])              print e_val,l_val      except tf.errors.OutOfRangeError:              print('Epochs Complete!')      finally:              coord.request_stop()      coord.join(threads)      coord.request_stop()      coord.join(threads)   在迭代控制中,记得添加 tf.initialize_local_variables() ,官网教程没有说明,但是如果不初始化,运行就会报错。

=========================================================================================对于传统的机器学习而言,比方说分类问题,[x1 x2 x3]是feature。对于二分类问题,label经过one-hot编码之后就会是[0,1]或者[1,0]。一般情况下,我们会考虑将数据组织在csv文件中,一行代表一个sample。然后使用队列的方式去读取数据

说明:对于该数据,前三列代表的是feature,因为是分类问题,后两列就是经过one-hot编码之后得到的label

使用队列读取该csv文件的代码如下:

[python]  view plain  copy #-*- coding:utf-8 -*-  import tensorflow as tf  # 生成一个先入先出队列和一个QueueRunner,生成文件名队列  filenames = ['A.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  # 定义Reader  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  # 定义Decoder  record_defaults = [[1], [1], [1], [1], [1]]  col1, col2, col3, col4, col5 = tf.decode_csv(value,record_defaults=record_defaults)  features = tf.pack([col1, col2, col3])  label = tf.pack([col4,col5])  example_batch, label_batch = tf.train.shuffle_batch([features,label], batch_size=2, capacity=200, min_after_dequeue=100, num_threads=2)  # 运行Graph  with tf.Session() as sess:      coord = tf.train.Coordinator()  #创建一个协调器,管理线程      threads = tf.train.start_queue_runners(coord=coord)  #启动QueueRunner, 此时文件名队列已经进队。      for i in range(10):          e_val,l_val = sess.run([example_batch, label_batch])          print e_val,l_val      coord.request_stop()      coord.join(threads)   输出结果如下:

说明:

record_defaults = [[1], [1], [1], [1], [1]] 代表解析的模板,每个样本有5列,在数据中是默认用‘,’隔开的,然后解析的标准是[1],也即每一列的数值都解析为整型。[1.0]就是解析为浮点,['null']解析为string类型
转载请注明原文地址: https://www.6miu.com/read-3350181.html

最新回复(0)