前言

只有光頭才能變強。

文本已收錄至我的GitHub倉庫，歡迎Star：https://github.com/ZhongFuCheng3y/3y

回顧前面：

• 從零開始學TensorFlow【01-搭建環境、HelloWorld篇】
• 什麽是TensorFlow？

眾所周知，要訓練出一個模型，首先我們得有數據。我們第一個例子中，直接使用dataset的api去加載mnist的數據。(minst的數據要麽我們是提前下載好，放在對應的目錄上，要麽就根據他給的url直接從網上下載)。

一般來說，我們使用TensorFlow是從TFRecord文件中讀取數據的。

TFRecord 文件格式是一種面向記錄的簡單二進制格式

，很多 TensorFlow 應用采用此格式來訓練數據

所以，這篇文章來聊聊怎麽讀取TFRecord文件的數據。

一、入門對數據集的數據進行讀和寫

首先，我們來體驗一下怎麽造一個TFRecord文件，怎麽從TFRecord文件中讀取數據，遍歷(消費)這些數據。

1.1 造一個TFRecord文件

現在，我們還沒有TFRecord文件，我們可以自己簡單寫一個：

def write_sample_to_tfrecord():
    gmv_values = np.arange(10)
    click_values = np.arange(10)
    label_values = np.arange(10)

    with tf.python_io.TFRecordWriter("/Users/zhongfucheng/data/fashin/demo.tfrecord", options=None) as writer:
        for _ in range(10):
            feature_internal = {
                "gmv": tf.train.Feature(float_list=tf.train.FloatList(value=[gmv_values[_]])),
                "click": tf.train.Feature(int64_list=tf.train.Int64List(value=[click_values[_]])),
                "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[label_values[_]]))
            }
            features_extern = tf.train.Features(feature=feature_internal)

            # 使用tf.train.Example將features編碼數據封裝成特定的PB協議格式
            # example = tf.train.Example(features=tf.train.Features(feature=features_extern))
            example = tf.train.Example(features=features_extern)

            # 將example數據系列化為字符串
            example_str = example.SerializeToString()

            # 將系列化為字符串的example數據寫入協議緩沖區
            writer.write(example_str)


if __name__ == '__main__':
    write_sample_to_tfrecord()
 

我相信大家代碼應該是能夠看得懂的，其實就是分了幾步：

• 生成TFRecord Writer
• tf.train.Feature生成協議信息
• 使用tf.train.Example將features編碼數據封裝成特定的PB協議格式
• 將example數據系列化為字符串
• 將系列化為字符串的example數據寫入協議緩沖區

參考資料：

• https://zhuanlan.zhihu.com/p/31992460

ok，現在我們就有了一個TFRecord文件啦。

1.2 讀取TFRecord文件

• 其實就是通過tf.data.TFRecordDataset這個api來讀取到TFRecord文件，生成處dataset對象
• 對dataset進行處理(shape處理，格式處理...等等)

• 使用叠代器對dataset進行消費(遍歷)

demo代碼如下：

import tensorflow as tf


def read_tensorflow_tfrecord_files():
    # 定義消費緩沖區協議的parser,作為dataset.map()方法中傳入的lambda:
    def _parse_function(single_sample):
        features = {
            "gmv": tf.FixedLenFeature([1], tf.float32),
            "click": tf.FixedLenFeature([1], tf.int64),  # ()或者[]沒啥影響
            "label": tf.FixedLenFeature([1], tf.int64)
        }
        parsed_features = tf.parse_single_example(single_sample, features=features)

        # 對parsed 之後的值進行cast.
        gmv = tf.cast(parsed_features["gmv"], tf.float64)
        click = tf.cast(parsed_features["click"], tf.float64)
        label = tf.cast(parsed_features["label"], tf.float64)

        return gmv, click, label

    # 開始定義dataset以及解析tfrecord格式
    filenames = tf.placeholder(tf.string, shape=[None])

    # 定義dataset 和 一些列trasformation method
    dataset = tf.data.TFRecordDataset(filenames)
    parsed_dataset = dataset.map(_parse_function)  # 消費緩沖區需要定義在dataset 的map 函數中
    batchd_dataset = parsed_dataset.batch(3)

    # 創建Iterator
    sample_iter = batchd_dataset.make_initializable_iterator()
    # 獲取next_sample
    gmv, click, label = sample_iter.get_next()
    training_filenames = [
        "/Users/zhongfucheng/data/fashin/demo.tfrecord"]
    with tf.Session() as session:
        # 初始化帶參數的Iterator
        session.run(sample_iter.initializer, feed_dict={filenames: training_filenames})
        # 讀取文件
        print(session.run(gmv))


if __name__ == '__main__':
    read_tensorflow_tfrecord_files()

無意外的話，我們可以輸出這樣的結果：

[[0.]
 [1.]
 [2.]]

ok，現在我們已經大概知道怎麽寫一個TFRecord文件，以及怎麽讀取TFRecord文件的數據，並且消費這些數據了。

二、epoch和batchSize術語解釋

我在學習TensorFlow翻閱資料時，經常看到一些機器學習的術語，由於自己沒啥機器學習的基礎，所以很多時候看到一些專業名詞就開始懵逼了。

2.1epoch

當一個完整的數據集通過了神經網絡一次並且返回了一次，這個過程稱為一個epoch。

這可能使我們跟dataset.repeat()方法聯系起來，這個方法可以使當前數據集重復一遍。比如說，原有的數據集是[1,2,3,4,5]，如果我調用dataset.repeat(2)的話，那麽我們的數據集就變成了[1,2,3,4,5],[1,2,3,4,5]

• 所以會有個說法：假設原先的數據是一個epoch，使用repeat(5)就可以將之變成5個epoch

2.2batchSize

一般來說我們的數據集都是比較大的，無法一次性將整個數據集的數據餵進神經網絡中，所以我們會將數據集分成好幾個部分。每次餵多少條樣本進神經網絡，這個叫做batchSize。

在TensorFlow也提供了方法給我們設置：dataset.batch()，在API中是這樣介紹batchSize的：

representing the number of consecutive elements of this dataset to combine in a single batch

我們一般在每次訓練之前，會將整個數據集的順序打亂，提高我們模型訓練的效果。這裏我們用到的api是：dataset.shffle();

三、再來聊聊dataset

我從官網的介紹中截了一個dataset的方法圖(部分)：

dataset的功能主要有以下三種：

• 創建dataset實例
  • 通過文件創建(比如TFRecord)
  • 通過內存創建
• 對數據集的數據進行變換
  • 比如上面的batch()，常見的map(),flat_map(),zip(),repeat()等等
  • 文檔中一般都有給出例子，跑一下一般就知道對應的意思了。
• 創建叠代器，遍歷數據集的數據

3.1 聊聊叠代器

叠代器可以分為四種：

• 單次。對數據集進行一次叠代，不支持參數化
• 可初始化叠代
  • 使用前需要進行初始化，支持傳入參數。面向的是同一個DataSet
• 可重新初始化：同一個Iterator從不同的DataSet中讀取數據
  • DataSet的對象具有相同的結構，可以使用tf.data.Iterator.from_structure來進行初始化
  • 問題：每次 Iterator 切換時，數據都從頭開始打印了
• 可饋送(也是通過對象相同的結果來創建的叠代器)
  • 可讓您在兩個數據集之間切換的可饋送叠代器
  • 通過一個string handler來實現。
  • 可饋送的 Iterator 在不同的 Iterator 切換的時候，可以做到不從頭開始。

簡單總結：

• 1、 單次 Iterator ，它最簡單，但無法重用，無法處理數據集參數化的要求。
• 2、 可以初始化的 Iterator ，它可以滿足 Dataset 重復加載數據，滿足了參數化要求。
• 3、可重新初始化的 Iterator，它可以對接不同的 Dataset，也就是可以從不同的 Dataset 中讀取數據。
• 4、可饋送的 Iterator，它可以通過 feeding 的方式，讓程序在運行時候選擇正確的 Iterator,它和可重新初始化的 Iterator 不同的地方就是它的數據在不同的 Iterator 切換時，可以做到不重頭開始讀取數據。

string handler(可饋送的 Iterator)這種方式是最常使用的，我當時也寫了一個Demo來使用了一下，代碼如下：

def read_tensorflow_tfrecord_files():
    # 開始定義dataset以及解析tfrecord格式.
    train_filenames = tf.placeholder(tf.string, shape=[None])
    vali_filenames = tf.placeholder(tf.string, shape=[None])

    # 加載train_dataset   batch_inputs這個方法每個人都不一樣的，這個方法我就不給了。
    train_dataset = batch_inputs([
        train_filenames], batch_size=5, type=False,
        num_epochs=2, num_preprocess_threads=3)
    # 加載validation_dataset  batch_inputs這個方法每個人都不一樣的，這個方法我就不給了。
    validation_dataset = batch_inputs([vali_filenames
                                       ], batch_size=5, type=False,
                                      num_epochs=2, num_preprocess_threads=3)

    # 創建出string_handler()的叠代器（通過相同數據結構的dataset來構建)
    handle = tf.placeholder(tf.string, shape=[])
    iterator = tf.data.Iterator.from_string_handle(
        handle, train_dataset.output_types, train_dataset.output_shapes)

    # 有了叠代器就可以調用next方法了。
    itemid = iterator.get_next()

    # 指定哪種具體的叠代器，有單次叠代的，有初始化的。
    training_iterator = train_dataset.make_initializable_iterator()
    validation_iterator = validation_dataset.make_initializable_iterator()

    # 定義出placeholder的值
    training_filenames = [
        "/Users/zhongfucheng/tfrecord_test/data01aa"]
    validation_filenames = ["/Users/zhongfucheng/tfrecord_validation/part-r-00766"]

    with tf.Session() as sess:
        # 初始化叠代器
        training_handle = sess.run(training_iterator.string_handle())
        validation_handle = sess.run(validation_iterator.string_handle())

        for _ in range(2):
            sess.run(training_iterator.initializer, feed_dict={train_filenames: training_filenames})
            print("this is training iterator ----")

            for _ in range(5):
                print(sess.run(itemid, feed_dict={handle: training_handle}))

            sess.run(validation_iterator.initializer,
                     feed_dict={vali_filenames: validation_filenames})

            print("this is validation iterator ")
            for _ in range(5):
                print(sess.run(itemid, feed_dict={vali_filenames: validation_filenames, handle: validation_handle}))


if __name__ == '__main__':
    read_tensorflow_tfrecord_files()

參考資料：

• https://blog.csdn.net/briblue/article/details/80962728

3.2 dataset參考資料

在翻閱資料時，發現寫得不錯的一些博客：

• https://www.jianshu.com/p/91803a119f18
• https://irvingzhang0512.github.io/2018/04/19/tensorflow-api-2/
• http://www.feiguyunai.com/index.php/2017/12/25/pyhtonai-ml-dataprocess-datasetapi/

最後

樂於輸出幹貨的Java技術公眾號：Java3y。公眾號內有200多篇原創技術文章、海量視頻資源、精美腦圖，不妨來關註一下！

下一篇文章打算講講如何理解axis~

覺得我的文章寫得不錯，不妨點一下贊！

TensorFlow讀寫數據