tesnorflow实现N个epoch训练数据读取的办法

方式一：不显示设置读取N个epoch的数据，而是使用循环，每次从训练的文件中随机读取一个batch_size的数据，直至最后读取的数据量达到N个epoch。说明，这个方式来实现epoch的输入是不合理。不是说每个样本都会被读取到的。

对于这个的解释,从数学上解释，比如说有放回的抽样，每次抽取一个样本，抽取N次，总样本数为N个。那么，这样抽取过一轮之后，该样本也是会有1/e的概率没有被抽取到。所以，如果使用这种方式去训练的话，理论上是没有用到全部的数据集去训练的，很可能会造成过拟合的现象。

我做了个小实验验证：

import tensorflow as tf
import numpy as np
import datetime,sys
from tensorflow.contrib import learn
from model import CCPM

training_epochs = 5
train_num = 4
# 运行Graph
with tf.Session() as sess:

    #定义模型
    BATCH_SIZE = 2
    # 构建训练数据输入的队列
    # 生成一个先入先出队列和一个QueueRunner,生成文件名队列
    filenames = ['a.csv']
    filename_queue = tf.train.string_input_producer(filenames, shuffle=True)
    # 定义Reader
    reader = tf.TextLineReader()
    key, value = reader.read(filename_queue)
    # 定义Decoder
    # 编码后的数据字段有24,其中22维是特征字段,2维是lable字段,label是二分类经过one-hot编码后的字段
    #更改了特征,使用不同的解析参数
    record_defaults = [[1]]*5
    col1,col2,col3,col4,col5 = tf.decode_csv(value,record_defaults=record_defaults)
    features = tf.pack([col1,col2,col3,col4])
    label = tf.pack([col5])

    example_batch, label_batch = tf.train.shuffle_batch([features,label], batch_size=BATCH_SIZE, capacity=20000, min_after_dequeue=4000, num_threads=2)

    sess.run(tf.initialize_all_variables())
    coord = tf.train.Coordinator()#创建一个协调器，管理线程
    threads = tf.train.start_queue_runners(coord=coord)#启动QueueRunner, 此时文件名队列已经进队。
    #开始一个epoch的训练
    for epoch in range(training_epochs):
        total_batch = int(train_num/BATCH_SIZE)
        #开始一个epoch的训练
        for i in range(total_batch):
            X,Y = sess.run([example_batch, label_batch])
            print X,':',Y
    coord.request_stop()
    coord.join(threads)

toy data a.csv:

说明：输出如下，可以看出并不是每个样本都被遍历5次，其实这样的话，对于DL的训练会产生很大的影响，并不是每个样本都被使用同样的次数。

方式二：显示设置epoch的数目

#-*- coding:utf-8 -*-
import tensorflow as tf
import numpy as np
import datetime,sys
from tensorflow.contrib import learn
from model import CCPM

training_epochs = 5
train_num = 4
# 运行Graph
with tf.Session() as sess:

    #定义模型
    BATCH_SIZE = 2
    # 构建训练数据输入的队列
    # 生成一个先入先出队列和一个QueueRunner,生成文件名队列
    filenames = ['a.csv']
    filename_queue = tf.train.string_input_producer(filenames, shuffle=True,num_epochs=training_epochs)
    # 定义Reader
    reader = tf.TextLineReader()
    key, value = reader.read(filename_queue)
    # 定义Decoder
    # 编码后的数据字段有24,其中22维是特征字段,2维是lable字段,label是二分类经过one-hot编码后的字段
    #更改了特征,使用不同的解析参数
    record_defaults = [[1]]*5
    col1,col2,col3,col4,col5 = tf.decode_csv(value,record_defaults=record_defaults)
    features = tf.pack([col1,col2,col3,col4])
    label = tf.pack([col5])

    example_batch, label_batch = tf.train.shuffle_batch([features,label], batch_size=BATCH_SIZE, capacity=20000, min_after_dequeue=4000, num_threads=2)
    sess.run(tf.initialize_local_variables())
    sess.run(tf.initialize_all_variables())
    coord = tf.train.Coordinator()#创建一个协调器，管理线程
    threads = tf.train.start_queue_runners(coord=coord)#启动QueueRunner, 此时文件名队列已经进队。
    try:
        #开始一个epoch的训练
        while not coord.should_stop():
            total_batch = int(train_num/BATCH_SIZE)
            #开始一个epoch的训练
            for i in range(total_batch):
                X,Y = sess.run([example_batch, label_batch])
                print X,':',Y
    except tf.errors.OutOfRangeError:
        print('Done training')
    finally:
        coord.request_stop()
        coord.join(threads)

说明：输出如下，可以看出每个样本都被访问5次， 这才是合理的设置epoch数据的方式。

http://stats.stackexchange.com/questions/242004/why-do-neural-network-researchers-care-about-epochs

说明：这个博客也在探讨,为什么深度网络的训练中,要使用epoch,即要把训练样本全部过一遍.而不是随机有放回的从里面抽样batch_size个样本.在博客中,别人的实验结果是如果采用有放回抽样的这种方式来进行SGD的训练.其实网络见不到全部的数据集,推导过程如上所示.所以,网络的收敛速度比较慢.