詳解Tensorflow資料讀取有三種方式（next_batch），

詳解Tensorflow資料讀取有三種方式（next_batch），

Tensorflow資料讀取有三種方式：

1. Preloaded data: 預先載入資料
2. Feeding: Python產生資料，再把資料餵給後端。
3. Reading from file: 從檔案中直接讀取

這三種有讀取方式有什麼區別呢？ 我們首先要知道TensorFlow(TF)是怎麼樣工作的。

TF的核心是用C++寫的，這樣的好處是運行快，缺點是調用不靈活。而Python恰好相反，所以結合兩種語言的優勢。涉及計算的核心運算元和運行架構是用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。

一、預先載入資料：

import tensorflow as tf # 設計Graph x1 = tf.constant([2, 3, 4]) x2 = tf.constant([4, 0, 1]) y = tf.add(x1, x2) # 開啟一個session --> 計算y with tf.Session() as sess:   print sess.run(y) 

二、python產生資料，再將資料餵給後端

import tensorflow as tf # 設計Graph x1 = tf.placeholder(tf.int16) x2 = tf.placeholder(tf.int16) y = tf.add(x1, x2) # 用Python產生資料 li1 = [2, 3, 4] li2 = [4, 0, 1] # 開啟一個session --> 喂資料 --> 計算y with tf.Session() as sess:   print sess.run(y, feed_dict={x1: li1, x2: li2}) 

說明：在這裡x1, x2隻是預留位置，沒有具體的值，那麼啟動並執行時候去哪取值呢？這時候就要用到sess.run()中的feed_dict參數，將Python產生的資料餵給後端，並計算y。

這兩種方案的缺點：

1、預先載入：將資料直接內嵌到Graph中，再把Graph傳入Session中運行。當資料量比較大時，Graph的傳輸會遇到效率問題。

2、用預留位置替代資料，待啟動並執行時候填充資料。

前兩種方法很方便，但是遇到大型資料的時候就會很吃力，即使是Feeding，中間環節的增加也是不小的開銷，比如資料類型轉換等等。最優的方案就是在Graph定義好檔案讀取的方法，讓TF自己去從檔案中讀取資料，並解碼成可使用的樣本集。

三、從檔案中讀取，簡單來說就是將資料讀模數塊的圖搭好

1、準備資料，構造三個檔案,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 # 產生一個先入先出隊列和一個QueueRunner,組建檔案名隊列 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) # 運行Graph with tf.Session() as sess:   coord = tf.train.Coordinator() #建立一個協調器，管理線程   threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時檔案名稱隊列已經進隊。   for i in range(10):     print example.eval(),label.eval()   coord.request_stop()   coord.join(threads) 

說明：這裡沒有使用tf.train.shuffle_batch，會導致產生的樣本和label之間對應不上，亂序了。產生結果如下：

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,那麼產生的結果就能夠對應上。

#-*- coding:utf-8 -*- import tensorflow as tf # 產生一個先入先出隊列和一個QueueRunner,組建檔案名隊列 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) # 運行Graph with tf.Session() as sess:   coord = tf.train.Coordinator() #建立一個協調器，管理線程   threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時檔案名稱隊列已經進隊。   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來實現

#-*- 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列和一個QueueRunner。 #Decoder解後資料會進入這個隊列，再批量出隊。 # 雖然這裡只有一個Reader，但可以設定多線程，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):     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，特徵和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列和一個QueueRunner。 #Decoder解後資料會進入這個隊列，再批量出隊。 # 雖然這裡只有一個Reader，但可以設定多線程，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(), label_batch.eval()   coord.request_stop()   coord.join(threads) 

說明：輸出結果如下：可以看出feature和label之間是不對應的

['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設定為2 # 使用tf.train.batch_join()，可以使用多個reader，並行讀取資料。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可設定多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。

5、迭代控制，設定epoch參數，指定我們的樣本在訓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: 設定迭代數 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設定為2 # 使用tf.train.batch_join()，可以使用多個reader，並行讀取資料。每個Reader使用一個線程。 example_batch, label_batch = tf.train.batch_join(    example_list, batch_size=1) #初始化本地變數 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()，官網教程沒有說明，但是如果不初始化，運行就會報錯。

對於傳統的機器學習而言，比方說分類問題，[x1 x2 x3]是feature。對於二分類問題,label經過one-hot編碼之後就會是[0,1]或者[1,0]。一般情況下，我們會考慮將資料群組織在csv檔案中,一行代表一個sample。然後使用隊列的方式去讀取資料

說明：對於該資料,前三列代表的是feature，因為是分類問題,後兩列就是經過one-hot編碼之後得到的label

使用隊列讀取該csv檔案的代碼如下：

#-*- coding:utf-8 -*- import tensorflow as tf # 產生一個先入先出隊列和一個QueueRunner,組建檔案名隊列 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) # 運行Graph with tf.Session() as sess:   coord = tf.train.Coordinator() #建立一個協調器，管理線程   threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時檔案名稱隊列已經進隊。   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，在資料中是預設用‘，'隔開的，然後解析的標準是[1]，也即每一列的數值都解析為整型。[1.0]就是解析為浮點，['null']解析為string類型

二、此處給出了幾種不同的next_batch方法，該文章只是做出程式碼片段的解釋，以備以後查看：

 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中的句子下標是否大於所有語料的個數，如果為True,開始新一輪的遍曆   # Finished epoch   self._epochs_completed += 1   # Shuffle the data   perm = numpy.arange(self._num_examples) # arange函數用於建立等差數組   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檔案，從代碼第12行start = self._index_in_epoch開始解釋，_index_in_epoch-1是上一次batch個圖片中最後一張圖片的下邊，這次epoch第一張圖片的下標是從 _index_in_epoch開始，最後一張圖片的下標是_index_in_epoch+batch, 如果 _index_in_epoch 大於語料中圖片的個數，表示這個epoch是不合適的，就算是完成了語料的一遍的遍曆，所以應該對圖片洗牌然後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轉換為array儲存  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，具體學習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曆一次，而最後一種方法是，所有語料遍曆了num_epochs次

以上就是本文的全部內容，希望對大家的學習有所協助，也希望大家多多支援幫客之家。