詳解Tensorflow數(shù)據(jù)讀取有三種方式（next_batch）
Tensorflow數(shù)據(jù)讀取有三種方式：
- Preloaded data: 預(yù)加載數(shù)據(jù)
- Feeding: Python產(chǎn)生數(shù)據(jù)，再把數(shù)據(jù)喂給后端。
- Reading from file: 從文件中直接讀取
這三種有讀取方式有什么區(qū)別呢？ 我們首先要知道TensorFlow(TF)是怎么樣工作的。
TF的核心是用C++寫的，這樣的好處是運(yùn)行快，缺點(diǎn)是調(diào)用不靈活。而Python恰好相反，所以結(jié)合兩種語言的優(yōu)勢。涉及計(jì)算的核心算子和運(yùn)行框架是用C++寫的，并提供API給Python。Python調(diào)用這些API，設(shè)計(jì)訓(xùn)練模型(Graph)，再將設(shè)計(jì)好的Graph給后端去執(zhí)行。簡而言之，Python的角色是Design，C++是Run。
一、預(yù)加載數(shù)據(jù)：
import tensorflow as tf # 設(shè)計(jì)Graph x1 = tf.constant([2, 3, 4]) x2 = tf.constant([4, 0, 1]) y = tf.add(x1, x2) # 打開一個session --> 計(jì)算y with tf.Session() as sess: print sess.run(y)
二、python產(chǎn)生數(shù)據(jù)，再將數(shù)據(jù)喂給后端
import tensorflow as tf
# 設(shè)計(jì)Graph
x1 = tf.placeholder(tf.int16)
x2 = tf.placeholder(tf.int16)
y = tf.add(x1, x2)
# 用Python產(chǎn)生數(shù)據(jù)
li1 = [2, 3, 4]
li2 = [4, 0, 1]
# 打開一個session --> 喂數(shù)據(jù) --> 計(jì)算y
with tf.Session() as sess:
print sess.run(y, feed_dict={x1: li1, x2: li2})
說明：在這里x1, x2只是占位符，沒有具體的值，那么運(yùn)行的時候去哪取值呢？這時候就要用到sess.run()中的feed_dict參數(shù)，將Python產(chǎn)生的數(shù)據(jù)喂給后端，并計(jì)算y。
這兩種方案的缺點(diǎn)：
1、預(yù)加載：將數(shù)據(jù)直接內(nèi)嵌到Graph中，再把Graph傳入Session中運(yùn)行。當(dāng)數(shù)據(jù)量比較大時，Graph的傳輸會遇到效率問題。
2、用占位符替代數(shù)據(jù)，待運(yùn)行的時候填充數(shù)據(jù)。
前兩種方法很方便，但是遇到大型數(shù)據(jù)的時候就會很吃力，即使是Feeding，中間環(huán)節(jié)的增加也是不小的開銷，比如數(shù)據(jù)類型轉(zhuǎn)換等等。最優(yōu)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(shù)據(jù)，并解碼成可使用的樣本集。
三、從文件中讀取，簡單來說就是將數(shù)據(jù)讀取模塊的圖搭好
1、準(zhǔn)備數(shù)據(jù)，構(gòu)造三個文件,A.csv,B.csv,C.csv
$ 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、單個Reader，單個樣本
#-*- coding:utf-8 -*-
import tensorflow as tf
# 生成一個先入先出隊(duì)列和一個QueueRunner,生成文件名隊(duì)列
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']])
#example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)
# 運(yùn)行Graph
with tf.Session() as sess:
coord = tf.train.Coordinator() #創(chuàng)建一個協(xié)調(diào)器，管理線程
threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時文件名隊(duì)列已經(jīng)進(jìn)隊(duì)。
for i in range(10):
print example.eval(),label.eval()
coord.request_stop()
coord.join(threads)
說明：這里沒有使用tf.train.shuffle_batch，會導(dǎo)致生成的樣本和label之間對應(yīng)不上，亂序了。生成結(jié)果如下：
Alpha1 A2
Alpha3 B1
Bee2 B3
Sea1 C2
Sea3 A1
Alpha2 A3
Bee1 B2
Bee3 C1
Sea2 C3
Alpha1 A2
解決方案：用tf.train.shuffle_batch,那么生成的結(jié)果就能夠?qū)?yīng)上。
#-*- coding:utf-8 -*-
import tensorflow as tf
# 生成一個先入先出隊(duì)列和一個QueueRunner,生成文件名隊(duì)列
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']])
example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)
# 運(yùn)行Graph
with tf.Session() as sess:
coord = tf.train.Coordinator() #創(chuàng)建一個協(xié)調(diào)器，管理線程
threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時文件名隊(duì)列已經(jīng)進(jìn)隊(duì)。
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、單個Reader,多個樣本,主要也是通過tf.train.shuffle_batch來實(shí)現(xiàn)
#-*- 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()會多加了一個樣本隊(duì)列和一個QueueRunner。
#Decoder解后數(shù)據(jù)會進(jìn)入這個隊(duì)列，再批量出隊(duì)。
# 雖然這里只有一個Reader，但可以設(shè)置多線程，相應(yīng)增加線程數(shù)會提高讀取速度，但并不是線程越多越好。
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):
e_val,l_val = sess.run([example_batch,label_batch])
print e_val,l_val
coord.request_stop()
coord.join(threads)
說明：下面這種寫法，提取出來的batch_size個樣本，特征和label之間也是不同步的
#-*- 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()會多加了一個樣本隊(duì)列和一個QueueRunner。
#Decoder解后數(shù)據(jù)會進(jìn)入這個隊(duì)列，再批量出隊(duì)。
# 雖然這里只有一個Reader，但可以設(shè)置多線程，相應(yīng)增加線程數(shù)會提高讀取速度，但并不是線程越多越好。
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(), label_batch.eval()
coord.request_stop()
coord.join(threads)
說明：輸出結(jié)果如下：可以看出feature和label之間是不對應(yīng)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、多個reader，多個樣本
#-*- 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']]
#定義了多種解碼器,每個解碼器跟一個reader相連
example_list = [tf.decode_csv(value, record_defaults=record_defaults)
for _ in range(2)] # Reader設(shè)置為2
# 使用tf.train.batch_join()，可以使用多個reader，并行讀取數(shù)據(jù)。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):
e_val,l_val = sess.run([example_batch,label_batch])
print e_val,l_val
coord.request_stop()
coord.join(threads)
tf.train.batch與tf.train.shuffle_batch函數(shù)是單個Reader讀取，但是可以多線程。tf.train.batch_join與tf.train.shuffle_batch_join可設(shè)置多Reader讀取，每個Reader使用一個線程。至于兩種方法的效率，單Reader時，2個線程就達(dá)到了速度的極限。多Reader時，2個Reader就達(dá)到了極限。所以并不是線程越多越快，甚至更多的線程反而會使效率下降。
5、迭代控制，設(shè)置epoch參數(shù)，指定我們的樣本在訓(xùn)練的時候只能被用多少輪
#-*- coding:utf-8 -*-
import tensorflow as tf
filenames = ['A.csv', 'B.csv', 'C.csv']
#num_epoch: 設(shè)置迭代數(shù)
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']]
#定義了多種解碼器,每個解碼器跟一個reader相連
example_list = [tf.decode_csv(value, record_defaults=record_defaults)
for _ in range(2)] # Reader設(shè)置為2
# 使用tf.train.batch_join()，可以使用多個reader，并行讀取數(shù)據(jù)。每個Reader使用一個線程。
example_batch, label_batch = tf.train.batch_join(
example_list, batch_size=1)
#初始化本地變量
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，記得添加tf.initialize_local_variables()，官網(wǎng)教程沒有說明，但是如果不初始化，運(yùn)行就會報(bào)錯。
對于傳統(tǒng)的機(jī)器學(xué)習(xí)而言，比方說分類問題，[x1 x2 x3]是feature。對于二分類問題,label經(jīng)過one-hot編碼之后就會是[0,1]或者[1,0]。一般情況下，我們會考慮將數(shù)據(jù)組織在csv文件中,一行代表一個sample。然后使用隊(duì)列的方式去讀取數(shù)據(jù)
說明：對于該數(shù)據(jù),前三列代表的是feature，因?yàn)槭欠诸悊栴},后兩列就是經(jīng)過one-hot編碼之后得到的label
使用隊(duì)列讀取該csv文件的代碼如下：
#-*- coding:utf-8 -*-
import tensorflow as tf
# 生成一個先入先出隊(duì)列和一個QueueRunner,生成文件名隊(duì)列
filenames = ['A.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
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)
# 運(yùn)行Graph
with tf.Session() as sess:
coord = tf.train.Coordinator() #創(chuàng)建一個協(xié)調(diào)器，管理線程
threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時文件名隊(duì)列已經(jīng)進(jìn)隊(duì)。
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)
輸出結(jié)果如下：
說明：
record_defaults = [[1], [1], [1], [1], [1]]
代表解析的模板,每個樣本有5列，在數(shù)據(jù)中是默認(rèn)用‘，'隔開的，然后解析的標(biāo)準(zhǔn)是[1]，也即每一列的數(shù)值都解析為整型。[1.0]就是解析為浮點(diǎn)，['null']解析為string類型
二、此處給出了幾種不同的next_batch方法，該文章只是做出代碼片段的解釋，以備以后查看：
def next_batch(self, batch_size, fake_data=False):
"""Return the next `batch_size` examples from this data set."""
if fake_data:
fake_image = [1] * 784
if self.one_hot:
fake_label = [1] + [0] * 9
else:
fake_label = 0
return [fake_image for _ in xrange(batch_size)], [
fake_label for _ in xrange(batch_size)
]
start = self._index_in_epoch
self._index_in_epoch += batch_size
if self._index_in_epoch > self._num_examples: # epoch中的句子下標(biāo)是否大于所有語料的個數(shù)，如果為True,開始新一輪的遍歷
# Finished epoch
self._epochs_completed += 1
# Shuffle the data
perm = numpy.arange(self._num_examples) # arange函數(shù)用于創(chuàng)建等差數(shù)組
numpy.random.shuffle(perm) # 打亂
self._images = self._images[perm]
self._labels = self._labels[perm]
# Start next epoch
start = 0
self._index_in_epoch = batch_size
assert batch_size <= self._num_examples
end = self._index_in_epoch
return self._images[start:end], self._labels[start:end]
該段代碼摘自mnist.py文件，從代碼第12行start = self._index_in_epoch開始解釋，_index_in_epoch-1是上一次batch個圖片中最后一張圖片的下邊，這次epoch第一張圖片的下標(biāo)是從 _index_in_epoch開始，最后一張圖片的下標(biāo)是_index_in_epoch+batch, 如果 _index_in_epoch 大于語料中圖片的個數(shù)，表示這個epoch是不合適的，就算是完成了語料的一遍的遍歷，所以應(yīng)該對圖片洗牌然后開始新一輪的語料組成batch開始
def ptb_iterator(raw_data, batch_size, num_steps):
"""Iterate on the raw PTB data.
This generates batch_size pointers into the raw PTB data, and allows
minibatch iteration along these pointers.
Args:
raw_data: one of the raw data outputs from ptb_raw_data.
batch_size: int, the batch size.
num_steps: int, the number of unrolls.
Yields:
Pairs of the batched data, each a matrix of shape [batch_size, num_steps].
The second element of the tuple is the same data time-shifted to the
right by one.
Raises:
ValueError: if batch_size or num_steps are too high.
"""
raw_data = np.array(raw_data, dtype=np.int32)
data_len = len(raw_data)
batch_len = data_len // batch_size #有多少個batch
data = np.zeros([batch_size, batch_len], dtype=np.int32) # batch_len 有多少個單詞
for i in range(batch_size): # batch_size 有多少個batch
data[i] = raw_data[batch_len * i:batch_len * (i + 1)]
epoch_size = (batch_len - 1) // num_steps # batch_len 是指一個batch中有多少個句子
#epoch_size = ((len(data) // model.batch_size) - 1) // model.num_steps # // 表示整數(shù)除法
if epoch_size == 0:
raise ValueError("epoch_size == 0, decrease batch_size or num_steps")
for i in range(epoch_size):
x = data[:, i*num_steps:(i+1)*num_steps]
y = data[:, i*num_steps+1:(i+1)*num_steps+1]
yield (x, y)
第三種方式：
def next(self, batch_size):
""" Return a batch of data. When dataset end is reached, start over.
"""
if self.batch_id == len(self.data):
self.batch_id = 0
batch_data = (self.data[self.batch_id:min(self.batch_id +
batch_size, len(self.data))])
batch_labels = (self.labels[self.batch_id:min(self.batch_id +
batch_size, len(self.data))])
batch_seqlen = (self.seqlen[self.batch_id:min(self.batch_id +
batch_size, len(self.data))])
self.batch_id = min(self.batch_id + batch_size, len(self.data))
return batch_data, batch_labels, batch_seqlen
第四種方式：
def batch_iter(sourceData, batch_size, num_epochs, shuffle=True):
data = np.array(sourceData) # 將sourceData轉(zhuǎn)換為array存儲
data_size = len(sourceData)
num_batches_per_epoch = int(len(sourceData) / batch_size) + 1
for epoch in range(num_epochs):
# Shuffle the data at each epoch
if shuffle:
shuffle_indices = np.random.permutation(np.arange(data_size))
shuffled_data = sourceData[shuffle_indices]
else:
shuffled_data = sourceData
for batch_num in range(num_batches_per_epoch):
start_index = batch_num * batch_size
end_index = min((batch_num + 1) * batch_size, data_size)
yield shuffled_data[start_index:end_index]
迭代器的用法，具體學(xué)習(xí)Python迭代器的用法
另外需要注意的是，前三種方式只是所有語料遍歷一次，而最后一種方法是，所有語料遍歷了num_epochs次
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了python打包壓縮、讀取指定目錄下的指定類型文件,需要的朋友可以參考下2018-04-04
Django項(xiàng)目如何配置Memcached和Redis緩存?選擇哪個更有優(yōu)勢?
這篇文章主要介紹了Django項(xiàng)目如何配置Memcached和Redis緩存，幫助大家更好的理解和學(xué)習(xí)使用django框架，感興趣的朋友可以了解下2021-04-04
在Python中,所有以“__”雙下劃線包起來的方法,都統(tǒng)稱為“Magic Method”,中文稱『魔術(shù)方法』,例如類的初始化方法 __init__ ,Python中所有的魔術(shù)方法均在官方文檔中有相應(yīng)描述,今天給大家整理了本篇文章,需要的朋友可以參考下2021-06-06
這篇文章主要介紹了Python-接口開發(fā)入門解析,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-08-08
Python算法練習(xí)之二分查找算法的實(shí)現(xiàn)
二分查找也稱折半查找（Binary Search），它是一種效率較高的查找方法。本文將介紹python如何實(shí)現(xiàn)二分查找算法，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2022-06-06
這篇文章主要介紹了Python分支語句常見的使用方法，Python分支語句，也稱為選擇語句，體現(xiàn)了程序的選擇結(jié)構(gòu)，即對應(yīng)不同的場景，選擇不同的處理方式，具體常見的用法需要的朋友可參考下面文章內(nèi)容2022-06-06
在本篇文章里小編給大家分享了一篇關(guān)于python3處理word文檔實(shí)例分析內(nèi)容，有興趣的朋友們可以參考下。2020-12-12
這篇文章主要介紹了Python 如何查看程序內(nèi)存占用情況，具有很好的參考價(jià)值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-05-05
今天小編就為大家分享一篇Python 實(shí)現(xiàn)交換矩陣的行示例，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-06-06
本教程中,我將會使用Django和Vue創(chuàng)建一個支持多文件上傳的文件上傳器,您可以在單個文件和多個文件上傳之間選擇在應(yīng)用中進(jìn)行上傳操作,文章通過代碼示例截殺的非常詳細(xì),需要的朋友可以參考下2023-11-11