tf.data.Dataset.from_tensor_slices中的shuffle()、repeat()、batch()用法

1 代码

引用库文件

from __future__ import absolute_import, division, print_function, unicode_literals
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import feature_column
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split

加载数据集，生成数据帧资源句柄

# 将heart.csv数据集下载并加载到数据帧中
path_data = "E:/pre_data/heart.csv"
dataframe = pd.read_csv(path_data)

将pandas dataframe 数据格式转变为 tf.data 格式的数据集形式

# 拷贝数据帧，id(dataframe)!=id(dataframe_new)
 dataframe_new = dataframe.copy()
 # 从dataframe_new数据中获取target属性
labels = dataframe_new.pop('target')
# 要构建Dataset内存中的数据
dataset = tf.data.Dataset.from_tensor_slices((dict(dataframe_new), labels))
# 将数据打乱的混乱程度
dataset = dataset.shuffle(buffer_size=len(dataframe_new))
# 从数据集中取出数据集的个数
dstaset = dataset.batch(100)
# 指定数据集重复的次数
dataset = dataset.repeat(2)

2 shuffle、batch、repeat三个方法 / 函数

2.1 shuffle方法 / 函数

2.1.1 shuffle 函数实现过程

shuffle 是用来打乱数据集的函数，也即对数据进行混洗，此方法在训练数据时非常有用。

dataset = dataset.shuffle(buffer_size)

参数buffer_size值越大，意味着数据混乱程度也越大。具体原理如下所示。

假设buffer_size = 9，也即先从 dataset 数据集中取出 9 个数据“拖”到 buffer 区域中，后续训练数据的每一个样本将从 buffer 区域中获取。

 比如从 buffer 区域取出一个数据 item7，现 buffer 区域内只有 8 个数据。

然后从 dataset 中按顺序取出一条数据（item10）再次“拖”到 buffer 区域补缺。

然后训练数据时再随机从 buffer 区域内随机选择一条数据；buffer 区域又形成数据空缺。

需要说明的是，这里的一条数据 item 只是一个抽象描述，其实为 bach_size 量的数据大小。

实际上，我们可以发现，buffer 其实是定义了一个数据池的大小 buffer size，当数据从被从 buffer 中取走后，就会从源数据集中抽出样本补缺到 buffer 中。

2.1.2 shuffle 方法的参数

buffer_size = 1 数据集不会被打乱

buffer_size = 数据集样本数量，随机打乱整个数据集

buffer_size > 数据 集样本数量，随机打乱整个数据集

 

shuffle是防止数据过拟合的重要手段，然而不当的buffer size，会导致shuffle无意义，具体可以参考这篇Importance of buffer_size in shuffle()

2.2 repeat方法 / 函数

repeat 方法在读取到组后的数据时重启数据集。要限制epochs的数量，可以设置count参数。

为了配合输出次数，一般默认repeat()空

repeat函数类似与 epoch 

现在用的优化器SGD是stochastic gradient descent的缩写，但不代表是一个样本就更新一回，还是基于mini-batch的。

那 batch epoch iteration代表什么呢？

（1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；

（2）iteration：1个iteration等于使用batchsize个样本训练一次；

（3）epoch：1个epoch等于使用训练集中的全部样本训练一次，通俗的讲epoch的值就是整个数据集被轮几次。

比如训练集有500个样本，batchsize = 10 ，那么训练完整个样本集：iteration=50，epoch=1.
---------------------
作者：bboysky45
来源：CSDN
原文：https://blog.csdn.net/qq_18668137/article/details/80883350
版权声明：本文为博主原创文章，转载请附上博文链接！

2.3 batch 方法 / 函数

一次喂入神经网络的数据量（batch size）。

3 shufle、repeat、batch三者之间的关系

官方网站上，阐述了 repeat 在 shuffle 之前使用可以有效提高性能，但是模糊了数据样本的 epoch 

实际上，可以这样理解shuffle取之前已经重置了源数据集， 

即先repeat，后shuffle。tf会将数据集乘以repeat次数，然后整个打乱一次，把它当作一个数据集

dataset = dataset.shuffle(buffer_size=10000)
dataset = dataset.batch(32) 
dataset = dataset.repeat(num_epochs)

4 出处

深度学习中的batch、epoch、iteration的含义 https://blog.csdn.net/qq_18668137/article/details/80883350

 tf.data.Dataset.from_tensor_slices( ) https://blog.csdn.net/u012193416/article/details/83720078

TensorFlow.org教程笔记(二) DataSets 快速入门 https://www.cnblogs.com/HolyShine/p/8673322.html

tensorflow dataset.shuffle dataset.batch dataset.repeat 理解 注意点https://blog.csdn.net/qq_16234613/article/details/81703228该文详细讲解了三者的含义，评论的内容也很重要

dataset中shuffle()、repeat()、batch()用法https://blog.csdn.net/angel_hben/article/details/84341421，一段代码示例

tf.data.Dataset.shuffle(buffer_size)中buffer_size的理解https://www.jianshu.com/p/1285036e314c 图片及相应的解说引用这篇文章

https://www.jianshu.com/p/f580f4fc2ba0

https://www.cnblogs.com/gengyi/p/11107492.html

https://www.jianshu.com/p/686b6cecc5ea

https://zhuanlan.zhihu.com/p/27238630

https://blog.csdn.net/pursuit_zhangyu/article/details/80329392

https://blog.csdn.net/u013006675/article/details/79578446

https://blog.csdn.net/ricardo232525/article/details/89709793