转自:http://honggang.io/2016/08/19/tensorflow-data-reading/
引言
Tensorflow的数据读取有三种方式:
- Preloaded data: 预加载数据
- Feeding: Python产生数据,再把数据喂给后端。
- Reading from file: 从文件中直接读取
这三种有读取方式有什么区别呢? 我们首先要知道TensorFlow(TF)是怎么样工作的。
TF的核心是用C++写的,这样的好处是运行快,缺点是调用不灵活。而Python恰好相反,所以结合两种语言的优势。涉及计算的核心算子和运行框架是用C++写的,并提供API给Python。Python调用这些API,设计训练模型(Graph),再将设计好的Graph给后端去执行。简而言之,Python的角色是Design,C++是Run。
Preload与Feeding
Preload
1
2
3
4
5
6
7
8
9
10
|
import tensorflow
as tf
x1 = tf.constant([
2,
3,
4])
x2 = tf.constant([
4,
0,
1])
y = tf.add(x1, x2)
with tf.Session()
as sess:
print sess.run(y)
|
在设计Graph的时候,x1和x2就被定义成了两个有值的列表,在计算y的时候直接取x1和x2的值。
Feeding
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import tensorflow
as tf
x1 = tf.placeholder(tf.int16)
x2 = tf.placeholder(tf.int16)
y = tf.add(x1, x2)
li1 = [
2,
3,
4]
li2 = [
4,
0,
1]
with tf.Session()
as sess:
print sess.run(y, feed_dict={x1: li1, x2: li2})
|
在这里x1, x2只是占位符,没有具体的值,那么运行的时候去哪取值呢?这时候就要用到sess.run()
中的feed_dict
参数,将Python产生的数据喂给后端,并计算y。
两种方法的区别
Preload:
将数据直接内嵌到Graph中,再把Graph传入Session中运行。当数据量比较大时,Graph的传输会遇到效率问题。
Feeding:
用占位符替代数据,待运行的时候填充数据。
Reading From File
前两种方法很方便,但是遇到大型数据的时候就会很吃力,即使是Feeding,中间环节的增加也是不小的开销,比如数据类型转换等等。最优的方案就是在Graph定义好文件读取的方法,让TF自己去从文件中读取数据,并解码成可使用的样本集。
在上图中,首先由一个单线程把文件名堆入队列,两个Reader同时从队列中取文件名并读取数据,Decoder将读出的数据解码后堆入样本队列,最后单个或批量取出样本(图中没有展示样本出列)。我们这里通过三段代码逐步实现上图的数据流,这里我们不使用随机,让结果更清晰。
文件准备
1
2
3
4
5
6
7
|
$
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
|
单个Reader,单个样本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
|
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']])
with tf.Session()
as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
for i
in range(
10):
print example.eval()
coord.request_stop()
coord.join(threads)
Alpha1
Alpha2
Alpha3
Bee1
Bee2
Bee3
Sea1
Sea2
Sea3
Alpha1
|
单个Reader,多个样本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
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']])
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)
|
多Reader,多个样本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
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)]
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)
|
tf.train.batch
与tf.train.shuffle_batch
函数是单个Reader读取,但是可以多线程。tf.train.batch_join
与tf.train.shuffle_batch_join
可设置多Reader读取,每个Reader使用一个线程。至于两种方法的效率,单Reader时,2个线程就达到了速度的极限。多Reader时,2个Reader就达到了极限。所以并不是线程越多越快,甚至更多的线程反而会使效率下降。
迭代控制
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
filenames = [
'A.csv',
'B.csv',
'C.csv']
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']]
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)
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)
|
在迭代控制中,记得添加tf.initialize_local_variables()
,官网教程没有说明,但是如果不初始化,运行就会报错。