一、資料

參考原文：

TensorFlow全新的數據讀取方式：Dataset API入門教程

API接口簡介：

TensorFlow的數據集

二、背景

註意，在TensorFlow 1.3中，Dataset API是放在contrib包中的：

tf.contrib.data.Dataset

而在TensorFlow 1.4中，Dataset API已經從contrib包中移除，變成了核心API的一員：

tf.data.Dataset

此前，在TensorFlow中讀取數據一般有兩種方法：

• 使用placeholder讀內存中的數據
• 使用queue讀硬盤中的數據（這種方式，可以參考原作者之前的一篇文章：十圖詳解TensorFlow數據讀取機制）

Dataset API同時支持從內存和硬盤的讀取，相比之前的兩種方法在語法上更加簡潔易懂。此外，如果想要用到TensorFlow新出的Eager模式，就必須要使用Dataset API來讀取數據。

三、基本使用

1、一維數據集示範基本使用

Google官方給出的Dataset API中的類圖：

在初學時，我們只需要關註兩個最重要的基礎類：Dataset和Iterator。

Dataset可以看作是相同類型“元素”的有序列表。在實際使用時，單個“元素”可以是向量，也可以是字符串、圖片，甚至是tuple或者dict。

數據集對象實例化：

dataset = tf.data.Dataset.from_tensor_slices(數據)

叠代器對象實例化(非Eager模式下)：

iterator = dataset.make_one_shot_iterator()

one_element = iterator.get_next()

綜合起來效果如下，

import tensorflow as tf 
import numpy as np 

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))
iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session() as sess:
    for i in range(5):
        print(sess.run(one_element))
 

輸出：1.0 2.0 3.0 4.0 5.0

讀取結束異常：

如果一個dataset中元素被讀取完了，再嘗試sess.run(one_element)的話，就會拋出tf.errors.OutOfRangeError異常，這個行為與使用隊列方式讀取數據的行為是一致的。

在實際程序中，可以在外界捕捉這個異常以判斷數據是否讀取完，綜合以上三點請參考下面的代碼：

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

輸出：1.0 2.0 3.0 4.0 5.0 end!

2、高維數據集使用

tf.data.Dataset.from_tensor_slices真正作用是切分傳入Tensor的第一個維度，生成相應的dataset，即第一維表明數據集中數據的數量，之後切分batch等操作都以第一維為基礎。

dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))

傳入的數值是一個矩陣，它的形狀為(5, 2)，tf.data.Dataset.from_tensor_slices就會切分它形狀上的第一個維度，最後生成的dataset中一個含有5個元素，每個元素的形狀是(2, )，即每個元素是矩陣的一行。

dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

[0.09787406 0.71672957]
[0.25681324 0.81974072]
[0.35186046 0.39362398]
[0.75228199 0.6534702 ]
[0.39695169 0.9341708 ]
end!

3、字典使用

在實際使用中，我們可能還希望Dataset中的每個元素具有更復雜的形式，如每個元素是一個Python中的元組，或是Python中的詞典。例如，在圖像識別問題中，一個元素可以是{“image”: image_tensor, “label”: label_tensor}的形式，這樣處理起來更方便，

註意，image_tensor、label_tensor和上面的高維向量一致，第一維表示數據集中數據的數量。相較之下，字典中每一個key值可以看做數據的一個屬性，value則存儲了所有數據的該屬性值。

dataset = tf.data.Dataset.from_tensor_slices(
    {
        "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]),                                       
        "b": np.random.uniform(size=(5, 2))
    })


iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

{‘a‘: 1.0, ‘b‘: array([0.31721037, 0.33378767])}
{‘a‘: 2.0, ‘b‘: array([0.99221946, 0.65894961])}
{‘a‘: 3.0, ‘b‘: array([0.98405468, 0.11478854])}
{‘a‘: 4.0, ‘b‘: array([0.95311317, 0.57432678])}
{‘a‘: 5.0, ‘b‘: array([0.46067428, 0.19716722])}
end!

4、復雜的tuple組合數據

類似的，可以使用組合的特征進行拼接，

dataset = tf.data.Dataset.from_tensor_slices(
  (np.array([1.0, 2.0, 3.0, 4.0, 5.0]), np.random.uniform(size=(5, 2)))
)

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

(1.0, array([6.55877282e-04, 6.63244735e-01]))
(2.0, array([0.04756927, 0.44968581]))
(3.0, array([0.97841076, 0.06465231]))
(4.0, array([0.46639246, 0.39146086]))
(5.0, array([0.61085016, 0.61609538]))
end!

四、數據集處理方法

Dataset支持一類特殊的操作：Transformation。一個Dataset通過Transformation變成一個新的Dataset。通常我們可以通過Transformation完成數據變換，打亂，組成batch，生成epoch等一系列操作。

常用的Transformation有：

• map
• batch
• shuffle
• repeat

map

和python中的map類似，map接收一個函數，Dataset中的每個元素都會被當作這個函數的輸入，並將函數返回值作為新的Dataset，

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))

dataset = dataset.map(lambda x: x + 1) # <-----

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

輸出：2.0 3.0 4.0 5.0 6.0 end!

註意map函數可以使用num_parallel_calls參數加速(第五部分有介紹)。

batch

batch就是將多個元素組合成batch，如上所說，按照輸入元素第一個維度，

dataset = tf.data.Dataset.from_tensor_slices(
    {
        "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]),                                       
        "b": np.random.uniform(size=(5, 2))
    })

dataset = dataset.batch(2) # <-----

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")
 

{‘a‘: array([1., 2.]), ‘b‘: array([[0.87466134, 0.21519021], [0.6123372 , 0.95722733]])}
{‘a‘: array([3., 4.]), ‘b‘: array([[0.76964374, 0.22445015], [0.08313089, 0.60531841]])}
{‘a‘: array([5.]), ‘b‘: array([[0.37901654, 0.3955096 ]])}
end!

shuffle

shuffle的功能為打亂dataset中的元素，它有一個參數buffersize，表示打亂時使用的buffer的大小，建議舍的不要太小，一般是1000：

dataset = tf.data.Dataset.from_tensor_slices(
    {
        "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]),                                       
        "b": np.random.uniform(size=(5, 2))
    })

dataset = dataset.shuffle(buffer_size=5) # <-----

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

{‘a‘: 3.0, ‘b‘: array([0.82048268, 0.39821839])}
{‘a‘: 4.0, ‘b‘: array([0.42775421, 0.36749283])}
{‘a‘: 1.0, ‘b‘: array([0.09588742, 0.01954797])}
{‘a‘: 2.0, ‘b‘: array([0.10992948, 0.24416772])}
{‘a‘: 5.0, ‘b‘: array([0.15447616, 0.09005545])}
end!

repeat

repeat的功能就是將整個序列重復多次，主要用來處理機器學習中的epoch，假設原先的數據是一個epoch，使用repeat(2)就可以將之變成2個epoch：

dataset = tf.data.Dataset.from_tensor_slices(
    {
        "a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]),                                       
        "b": np.random.uniform(size=(5, 2))
    })

dataset = dataset.repeat(2) # <-----

iterator = dataset.make_one_shot_iterator()
one_element = iterator.get_next()
with tf.Session(config=config) as sess:
    try:
        while True:
            print(sess.run(one_element))
    except tf.errors.OutOfRangeError:
        print("end!")

{‘a‘: 1.0, ‘b‘: array([0.85180201, 0.1703507 ])}
{‘a‘: 2.0, ‘b‘: array([0.37874819, 0.81303628])}
{‘a‘: 3.0, ‘b‘: array([0.99560094, 0.56446562])}
{‘a‘: 4.0, ‘b‘: array([0.86341794, 0.69984075])}
{‘a‘: 5.0, ‘b‘: array([0.85026424, 0.74761098])}
{‘a‘: 1.0, ‘b‘: array([0.85180201, 0.1703507 ])}
{‘a‘: 2.0, ‘b‘: array([0.37874819, 0.81303628])}
{‘a‘: 3.0, ‘b‘: array([0.99560094, 0.56446562])}
{‘a‘: 4.0, ‘b‘: array([0.86341794, 0.69984075])}
{‘a‘: 5.0, ‘b‘: array([0.85026424, 0.74761098])}
end!

註意，如果直接調用repeat()的話，生成的序列就會無限重復下去，沒有結束，因此也不會拋出tf.errors.OutOfRangeError異常。

五、模擬讀入磁盤圖片與對應label

考慮一個簡單，但同時也非常常用的例子：讀入磁盤中的圖片和圖片相應的label，並將其打亂，組成batch_size=32的訓練樣本，在訓練時重復10個epoch

# 函數的功能時將filename對應的圖片文件讀進來，並縮放到統一的大小
def _parse_function(filename, label):
  image_string = tf.read_file(filename)
  image_decoded = tf.image.decode_image(image_string)
  image_resized = tf.image.resize_images(image_decoded, [28, 28])
  return image_resized, label

# 圖片文件的列表
filenames = tf.constant(["/var/data/image1.jpg", "/var/data/image2.jpg", ...])
# label[i]就是圖片filenames[i]的label
labels = tf.constant([0, 37, ...])

# 此時dataset中的一個元素是(filename, label)
dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))

# 此時dataset中的一個元素是(image_resized, label)
dataset = dataset.map(_parse_function)

# 此時dataset中的一個元素是(image_resized_batch, label_batch)
dataset = dataset.shuffle(buffersize=1000).batch(32).repeat(10)

在這個過程中，dataset經歷三次轉變：

• 運行dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))後，dataset的一個元素是(filename, label)。filename是圖片的文件名，label是圖片對應的標簽。
• 之後通過map，將filename對應的圖片讀入，並縮放為28x28的大小。此時dataset中的一個元素是(image_resized, label)

• 最後，dataset.shuffle(buffersize=1000).batch(32).repeat(10)的功能是：在每個epoch內將圖片打亂組成大小為32的batch，並重復10次。最終，dataset中的一個元素是(image_resized_batch, label_batch)，image_resized_batch的形狀為(32, 28, 28, 3)，而label_batch的形狀為(32, )，接下來我們就可以用這兩個Tensor來建立模型了。

help(tf.data.Dataset.map)

可見：

Help on function map in module tensorflow.python.data.ops.dataset_ops:

map(self, map_func, num_parallel_calls=None)
    Maps `map_func` across this datset.
    
    Args:
      map_func: A function mapping a nested structure of tensors (having
        shapes and types defined by `self.output_shapes` and
       `self.output_types`) to another nested structure of tensors.
      num_parallel_calls: (Optional.) A `tf.int32` scalar `tf.Tensor`,
        representing the number elements to process in parallel. If not
        specified, elements will be processed sequentially.
    
    Returns:
      A `Dataset`.

由此可見map作為讀取處理的關鍵步驟，是可以多線程加速的。

六、更多的Dataset創建方法

除了tf.data.Dataset.from_tensor_slices外，目前Dataset API還提供了另外三種創建Dataset的方式：

• tf.data.TextLineDataset()：這個函數的輸入是一個文件的列表，輸出是一個dataset。dataset中的每一個元素就對應了文件中的一行。可以使用這個函數來讀入CSV文件。
• tf.data.FixedLengthRecordDataset()：這個函數的輸入是一個文件的列表和一個record_bytes，之後dataset的每一個元素就是文件中固定字節數record_bytes的內容。通常用來讀取以二進制形式保存的文件，如CIFAR10數據集就是這種形式。
• tf.data.TFRecordDataset()：顧名思義，這個函數是用來讀TFRecord文件的，dataset中的每一個元素就是一個TFExample。

它們的詳細使用方法可以參閱文檔：Module: tf.data

七、更多的Iterator創建方法

在非Eager模式下，最簡單的創建Iterator的方法就是通過dataset.make_one_shot_iterator()來創建一個one shot iterator。

除了這種one shot iterator外，還有三個更復雜的Iterator，即：

• initializable iterator
• reinitializable iterator
• feedable iterator

initializable iterator方法要在使用前通過sess.run()來初始化，使用initializable iterator，可以將placeholder代入Iterator中，實現更為靈活的數據載入，實際上占位符引入了dataset對象創建中，我們可以通過feed來控制數據集合的實際情況。

limit = tf.placeholder(dtype=tf.int32, shape=[])

dataset = tf.data.Dataset.from_tensor_slices(tf.range(start=0, limit=limit))

iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()

with tf.Session() as sess:
    sess.run(iterator.initializer, feed_dict={limit: 10})
    for i in range(10):
      value = sess.run(next_element)
      print(value)
      assert i == value

輸出：0 1 2 3 4 5 6 7 8 9

initializable iterator還有一個功能：讀入較大的數組。

在使用tf.data.Dataset.from_tensor_slices(array)時，實際上發生的事情是將array作為一個tf.constants保存到了計算圖中。當array很大時，會導致計算圖變得很大，給傳輸、保存帶來不便。這時，我們可以用一個placeholder取代這裏的array，並使用initializable iterator，只在需要時將array傳進去，這樣就可以避免把大數組保存在圖裏，示例代碼為（來自官方例程）：

# 從硬盤中讀入兩個Numpy數組
with np.load("/var/data/training_data.npy") as data:
  features = data["features"]
  labels = data["labels"]

features_placeholder = tf.placeholder(features.dtype, features.shape)
labels_placeholder = tf.placeholder(labels.dtype, labels.shape)

dataset = tf.data.Dataset.from_tensor_slices((features_placeholder, labels_placeholder))
iterator = dataset.make_initializable_iterator()
sess.run(iterator.initializer, feed_dict={features_placeholder: features,
                                          labels_placeholder: labels})

可見，在上面程序中，feed也遵循著類似字典一樣的規則，創建兩個占位符(keys)，給data_holder去feed數據文件，給label_holder去feed標簽文件。

reinitializable iterator和feedable iterator相比initializable iterator更復雜，也更加少用，如果想要了解它們的功能，可以參閱官方介紹，這裏就不再贅述了。

八、總結

在非Eager模式下，Dataset中讀出的一個元素一般對應一個batch的Tensor，我們可以使用這個Tensor在計算圖中構建模型。

在Eager模式下，Dataset建立Iterator的方式有所不同，此時通過讀出的數據就是含有值的Tensor，方便調試。

『TensorFlow』數據讀取類_data.Dataset