背景信息
IRIS数据集是机器学习领域常用的一种数据集,但是PaddlePaddle预置数据集中并未包含,因此本文实现了使用Python读取下载的iris数据集文本文件并将其转换为reader的代码。
代码实现
# 引入所需包
import numpy as np
import random
#读取数据函数,输入为数据文件名和训练、测试切分比率,返回为list类型的训练数据集和测试数据集
def loadData(fileName,ratio):
trainingData=[]
testData=[]
with open(fileName) as txtData:
lines=txtData.readlines()
for line in lines:
lineData=line.strip().split(',') #去除空白和逗号“,”
if random.random()<ratio: #数据集分割比例
trainingData.append(lineData) #训练数据集列表
else:
testData.append(lineData) #测试数据集列表
return trainingData,testData
#输入为list类型数据,分割为特征和标签两部分,返回为np.narray类型的特征数组和标签数组
def splitData(dataSet):
character=[]
label=[]
for i in range(len(dataSet)):
character.append([float(tk) for tk in dataSet[i][:-1]])
label.append(dataSet[i][-1])
return np.array(character),np.array(label)
# 读取数据数组和标签数组,并将二者组合为PaddlePaddle中使用的reader
def paddle_reader(dataCharacter,dataLabel):
def reader():
for i in xrange(len(dataLabel)):
yield dataCharacter[i,:], int(dataLabel[i])
return reader
使用样例
# 进行数据预处理工作
iris_file='/book/iris.data'
ratio=0.7
trainingData, testData=loadData(iris_file,ratio) ##加载文件,按一定比率切分为训练样本和测试样本
a1=random.shuffle(trainingData)
trainingCharacter,trainingLabel=splitData(trainingData) #将训练样本切分为数据和标签两个数组
testCharacter,testLabel=splitData(testData) #将测试样本切分为数据和标签两个数组
# 实现reader
train_reader=paddle_reader(trainingCharacter,trainingLabel)
test_reader=paddle_reader(testCharacter,testLabel)
# 使用reader
trainer.train(
reader=paddle.batch(
paddle.reader.shuffle(
train_reader, buf_size=128), #注意:使用PaddlePaddle自带数据集时paddle.dataset.mnist.train()是需要括号的,但使用上面实现的reader不需要括号
batch_size=16),
event_handler=event_handler_plot,
num_passes=20)
说明:在PaddlePaddle中reader是一个函数,上面实现的train_reader本身就是函数,所以不需要再加()了,若加了(),类型就是Generator了。其实paddle.dataset.mnist.train()和上面自定义的paddle_reader()是一个层级的概念。