轉(zhuǎn)展多處都沒有找到詳細(xì)介紹Tensorflow讀取文件的方法

引言

Tensorflow的數(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(yǔ)言的優(yōu)勢(shì)。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(jiǎn)而言之，Python的角色是Design，C++是Run。

Preload與Feeding Preload

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(gè)session?-->?計(jì)算y
with?tf.Session()?as?sess:
????print?sess.run(y)

在設(shè)計(jì)Graph的時(shí)候，x1和x2就被定義成了兩個(gè)有值的列表，在計(jì)算y的時(shí)候直接取x1和x2的值。

Feeding

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(gè)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})

在這里x1, x2只是占位符，沒有具體的值，那么運(yùn)行的時(shí)候去哪取值呢？這時(shí)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。

兩種方法的區(qū)別

Preload:
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(shí)，Graph的傳輸會(huì)遇到效率問題。
Feeding:
用占位符替代數(shù)據(jù)，待運(yùn)行的時(shí)候填充數(shù)據(jù)。

Reading From File

前兩種方法很方便，但是遇到大型數(shù)據(jù)的時(shí)候就會(huì)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。

在上圖中，首先由一個(gè)單線程把文件名堆入隊(duì)列，兩個(gè)Reader同時(shí)從隊(duì)列中取文件名并讀取數(shù)據(jù)，Decoder將讀出的數(shù)據(jù)解碼后堆入樣本隊(duì)列，最后單個(gè)或批量取出樣本（圖中沒有展示樣本出列）。我們這里通過三段代碼逐步實(shí)現(xiàn)上圖的數(shù)據(jù)流，這里我們不使用隨機(jī)，讓結(jié)果更清晰。

文件準(zhǔn)備

$?echo?-e?"Alpha1,A1nAlpha2,A2nAlpha3,A3"?>?A.csv
$?echo?-e?"Bee1,B1nBee2,B2nBee3,B3"?>?B.csv
$?echo?-e?"Sea1,C1nSea2,C2nSea3,C3"?>?C.csv
$?cat?A.csv
Alpha1,A1
Alpha2,A2
Alpha3,A3

單個(gè)Reader，單個(gè)樣本

import?tensorflow?as?tf
#?生成一個(gè)先入先出隊(duì)列和一個(gè)QueueRunner
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']])
#?運(yùn)行Graph
with?tf.Session()?as?sess:
????coord?=?tf.train.Coordinator()??#創(chuàng)建一個(gè)協(xié)調(diào)器，管理線程
????threads?=?tf.train.start_queue_runners(coord=coord)??#啟動(dòng)QueueRunner,?此時(shí)文件名隊(duì)列已經(jīng)進(jìn)隊(duì)。
????for?i?in?range(10):
????????print?example.eval()???#取樣本的時(shí)候，一個(gè)Reader先從文件名隊(duì)列中取出文件名，讀出數(shù)據(jù)，Decoder解析后進(jìn)入樣本隊(duì)列。
????coord.request_stop()
????coord.join(threads)
#?outpt
Alpha1
Alpha2
Alpha3
Bee1
Bee2
Bee3
Sea1
Sea2
Sea3
Alpha1

單個(gè)Reader，多個(gè)樣本

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(huì)多加了一個(gè)樣本隊(duì)列和一個(gè)QueueRunner。Decoder解后數(shù)據(jù)會(huì)進(jìn)入這個(gè)隊(duì)列，再批量出隊(duì)。
#?雖然這里只有一個(gè)Reader，但可以設(shè)置多線程，相應(yīng)增加線程數(shù)會(huì)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()
????coord.request_stop()
????coord.join(threads)
#?output
#?['Alpha1'?'Alpha2'?'Alpha3'?'Bee1'?'Bee2']
#?['Bee3'?'Sea1'?'Sea2'?'Sea3'?'Alpha1']
#?['Alpha2'?'Alpha3'?'Bee1'?'Bee2'?'Bee3']
#?['Sea1'?'Sea2'?'Sea3'?'Alpha1'?'Alpha2']
#?['Alpha3'?'Bee1'?'Bee2'?'Bee3'?'Sea1']
#?['Sea2'?'Sea3'?'Alpha1'?'Alpha2'?'Alpha3']
#?['Bee1'?'Bee2'?'Bee3'?'Sea1'?'Sea2']
#?['Sea3'?'Alpha1'?'Alpha2'?'Alpha3'?'Bee1']
#?['Bee2'?'Bee3'?'Sea1'?'Sea2'?'Sea3']
#?['Alpha1'?'Alpha2'?'Alpha3'?'Bee1'?'Bee2']

多Reader，多個(gè)樣本

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']]
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(gè)reader，并行讀取數(shù)據(jù)。每個(gè)Reader使用一個(gè)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):
????????print?example_batch.eval()
????coord.request_stop()
????coord.join(threads)
????
#?output
#?['Alpha1'?'Alpha2'?'Alpha3'?'Bee1'?'Bee2']
#?['Bee3'?'Sea1'?'Sea2'?'Sea3'?'Alpha1']
#?['Alpha2'?'Alpha3'?'Bee1'?'Bee2'?'Bee3']
#?['Sea1'?'Sea2'?'Sea3'?'Alpha1'?'Alpha2']
#?['Alpha3'?'Bee1'?'Bee2'?'Bee3'?'Sea1']
#?['Sea2'?'Sea3'?'Alpha1'?'Alpha2'?'Alpha3']
#?['Bee1'?'Bee2'?'Bee3'?'Sea1'?'Sea2']
#?['Sea3'?'Alpha1'?'Alpha2'?'Alpha3'?'Bee1']
#?['Bee2'?'Bee3'?'Sea1'?'Sea2'?'Sea3']
#?['Alpha1'?'Alpha2'?'Alpha3'?'Bee1'?'Bee2']

tf.train.batch與tf.train.shuffle_batch函數(shù)是單個(gè)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(gè)Reader使用一個(gè)線程。至于兩種方法的效率，單Reader時(shí)，2個(gè)線程就達(dá)到了速度的極限。多Reader時(shí)，2個(gè)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(huì)使效率下降。

迭代控制

filenames?=?['A.csv',?'B.csv',?'C.csv']
filename_queue?=?tf.train.string_input_producer(filenames,?shuffle=False,?num_epochs=3)??#?num_epoch:?設(shè)置迭代數(shù)
reader?=?tf.TextLineReader()
key,?value?=?reader.read(filename_queue)
record_defaults?=?[['null'],?['null']]
example_list?=?[tf.decode_csv(value,?record_defaults=record_defaults)
??????????????????for?_?in?range(2)]
example_batch,?label_batch?=?tf.train.batch_join(
??????example_list,?batch_size=5)
init_local_op?=?tf.initialize_local_variables()
with?tf.Session()?as?sess:
????sess.run(init_local_op)???#?初始化本地變量?
????coord?=?tf.train.Coordinator()
????threads?=?tf.train.start_queue_runners(coord=coord)
????try:
????????while?not?coord.should_stop():
????????????print?example_batch.eval()
????except?tf.errors.OutOfRangeError:
????????print('Epochs?Complete!')
????finally:
????????coord.request_stop()
????coord.join(threads)
????coord.request_stop()
????coord.join(threads)
#?output
#?['Alpha1'?'Alpha2'?'Alpha3'?'Bee1'?'Bee2']
#?['Bee3'?'Sea1'?'Sea2'?'Sea3'?'Alpha1']
#?['Alpha2'?'Alpha3'?'Bee1'?'Bee2'?'Bee3']
#?['Sea1'?'Sea2'?'Sea3'?'Alpha1'?'Alpha2']
#?['Alpha3'?'Bee1'?'Bee2'?'Bee3'?'Sea1']
#?Epochs?Complete!

在迭代控制中，記得添加tf.initialize_local_variables()，官網(wǎng)教程沒有說(shuō)明，但是如果不初始化，運(yùn)行就會(huì)報(bào)錯(cuò)。