TensorFlow基礎3：資料讀取的三種方式
阿新 • • 發佈：2019-01-01
‘在講述在TensorFlow上的資料讀取方式之前，有必要了解一下TensorFlow的系統架構，如下圖所示：
TensorFlow的系統架構分為兩個部分：
- 前端系統：提供程式設計模型，負責構造計算圖；
- 後端系統：提供執行時環境，負責執行計算圖。
在處理資料的過程當中，由於現在的硬體效能的極大提升，數值計算過程可以通過加強硬體的方式來改善，因此資料讀取（即IO)往往會成為系統執行效能的瓶頸。在TensorFlow框架中提供了三種資料讀取方式：
- Preloaded data: 預載入資料
- Feeding: placeholder, feed_dict 由佔位符代替資料，執行時填入資料
- Reading from file: 從檔案中直接讀取
以上三種讀取方式各有自己的特點，在瞭解這些特點或區別之前，需要知道TensorFlow是如何進行工作的。
TF的核心是用C++寫的，這樣的好處是執行快，缺點是呼叫不靈活。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執行框架是用C++寫的，並提供API給Python。Python呼叫這些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。
1. Preload data: constant 預載入資料
特點：資料直接嵌入graph， 由graph傳入session中執行
import tensorflow as tf
#設計graph
x = tf.constant([1,2,3], name='x')
y = tf.constant([2,3,4], name='y')
z = tf.add(x,y, name='z')
#開啟一個session，計算z
with tf.Session() as sess:
print(sess.run(z))執行結果如下：
在設計Graph的時候，x和y就被定義成了兩個有值的列表，在計算z的時候直接取x1和x2的值。
2.Feeding: placeholder, feed_dict
特點：由佔位符代替資料，執行時填入資料
import tensorflow as tf
#設計graph，用佔位符代替
x = tf.placeholder(tf.int16)
y = tf.placeholder(tf.int16)
z = tf.add(x,y, name='z')
#開啟一個session
with tf.Session() as sess:
#建立資料
xs = [1,2,3]
ys = [2,3,4]
#執行session,用feed_dict來將建立的資料傳遞進佔位符
print(sess.run(z, feed_dict={x: xs, y: ys}))執行結果如下：
在這裡x, y只是佔位符，沒有具體的值，那麼執行的時候去哪取值呢？這時候就要用到sess.run()中的feed_dict引數，將Python產生的資料餵給後端，並計算z。
3.Reading From File：直接從檔案中讀取
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，比如資料型別轉換等等。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。
這種直接從檔案中讀取資料的方式需要設計成Queue的方式才能較好的解決IO瓶頸的問題。
Queue機制有如下三個特點：
- producer-consumer pattern(生產消費模式)
- 獨立於主執行緒執行
- 非同步IO: reader.read(queue) tf.train.batch()
在上圖中，首先由一個單執行緒把檔名堆入佇列，兩個Reader同時從佇列中取檔名並讀取資料，Decoder將讀出的資料解碼後堆入樣本佇列，最後單個或批量取出樣本（圖中沒有展示樣本出列）。我們這裡通過三段程式碼逐步實現上圖的資料流，這裡我們不使用隨機，讓結果更清晰。
檔案準備
$ 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
$ cat A.csv
Alpha1,A1
Alpha2,A2
Alpha3,A3 單個Reader，單個樣本
import tensorflow as tf
# 生成一個先入先出佇列和一個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']])
# 執行Graph
with tf.Session() as sess:
coord = tf.train.Coordinator() #建立一個協調器，管理執行緒
threads = tf.train.start_queue_runners(coord=coord) #啟動QueueRunner, 此時檔名佇列已經進隊。
for i in range(10):
print example.eval() #取樣本的時候，一個Reader先從檔名佇列中取出檔名，讀出資料，Decoder解析後進入樣本佇列。
coord.request_stop()
coord.join(threads)
# outpt
Alpha1
Alpha2
Alpha3
Bee1
Bee2
Bee3
Sea1
Sea2
Sea3
Alpha1 單個Reader，多個樣本
import tensorflow as tf
filenames = ['A.csv', 'B.csv', 'C.csv']
## filenames = tf.train.match_filenames_once('.\data\*.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()會多加了一個樣本佇列和一個QueueRunner。Decoder解後資料會進入這個佇列，再批量出隊。
# 雖然這裡只有一個Reader，但可以設定多執行緒，相應增加執行緒數會提高讀取速度，但並不是執行緒越多越好。
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使用一個執行緒。
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'數是單個Reader讀取，但是可以多執行緒。tf.train.batch_join'和tf.train.shuffle_batch_join可設定多Reader讀取，每個Reader使用一個執行緒。至於兩種方法的效率，單Reader時，2個執行緒就達到了速度的極限。多Reader時，2個Reader就達到了極限。所以並不是執行緒越多越快，甚至更多的執行緒反而會使效率下降。
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: 設定迭代數
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) # 初始化本地變數
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，記得新增 tf.initialize_local_variables()，官網教程沒有說明，但是如果不初始化，執行就會報錯。