当前位置:   article > 正文

tensorflow载入数据的三种方式_keras csv读取

keras csv读取

Tensorflow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。

一、预加载数据:

  1. import tensorflow as tf
  2. # 设计Graph
  3. x1 = tf.constant([2, 3, 4])
  4. x2 = tf.constant([4, 0, 1])
  5. y = tf.add(x1, x2)
  6. # 打开一个session --> 计算y
  7. with tf.Session() as sess:
  8. print sess.run(y)

二、python产生数据,再将数据喂给后端

  1. import tensorflow as tf
  2. # 设计Graph
  3. x1 = tf.placeholder(tf.int16)
  4. x2 = tf.placeholder(tf.int16)
  5. y = tf.add(x1, x2)
  6. # 用Python产生数据
  7. li1 = [2, 3, 4]
  8. li2 = [4, 0, 1]
  9. # 打开一个session --> 喂数据 --> 计算y
  10. with tf.Session() as sess:
  11. print sess.run(y, feed_dict={x1: li1, x2: li2})
说明: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。
这两种方案的缺点:

1、预加载: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

2、用占位符替代数据,待运行的时候填充数据。

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。

三、从文件中读取,简单来说就是将数据读取模块的图搭好


1、准备数据,构造三个文件,A.csv,B.csv,C.csv

  1. $ echo -e "Alpha1,A1\nAlpha2,A2\nAlpha3,A3" > A.csv
  2. $ echo -e "Bee1,B1\nBee2,B2\nBee3,B3" > B.csv
  3. $ echo -e "Sea1,C1\nSea2,C2\nSea3,C3" > C.csv

2、单个Reader,单个样本

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. # 生成一个先入先出队列和一个QueueRunner,生成文件名队列
  4. filenames = ['A.csv', 'B.csv', 'C.csv']
  5. filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
  6. # 定义Reader
  7. reader = tf.TextLineReader()
  8. key, value = reader.read(filename_queue)
  9. # 定义Decoder
  10. example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
  11. #example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)
  12. # 运行Graph
  13. with tf.Session() as sess:
  14. coord = tf.train.Coordinator() #创建一个协调器,管理线程
  15. threads = tf.train.start_queue_runners(coord=coord) #启动QueueRunner, 此时文件名队列已经进队。
  16. for i in range(10):
  17. print example.eval(),label.eval()
  18. coord.request_stop()
  19. coord.join(threads)
说明:这里没有使用tf.train.shuffle_batch,会导致生成的样本和label之间对应不上,乱序了。生成结果如下:

Alpha1 A2
Alpha3 B1
Bee2 B3
Sea1 C2
Sea3 A1
Alpha2 A3
Bee1 B2
Bee3 C1
Sea2 C3
Alpha1 A2

解决方案:用tf.train.shuffle_batch,那么生成的结果就能够对应上。

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. # 生成一个先入先出队列和一个QueueRunner,生成文件名队列
  4. filenames = ['A.csv', 'B.csv', 'C.csv']
  5. filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
  6. # 定义Reader
  7. reader = tf.TextLineReader()
  8. key, value = reader.read(filename_queue)
  9. # 定义Decoder
  10. example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
  11. example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)
  12. # 运行Graph
  13. with tf.Session() as sess:
  14. coord = tf.train.Coordinator() #创建一个协调器,管理线程
  15. threads = tf.train.start_queue_runners(coord=coord) #启动QueueRunner, 此时文件名队列已经进队。
  16. for i in range(10):
  17. e_val,l_val = sess.run([example_batch, label_batch])
  18. print e_val,l_val
  19. coord.request_stop()
  20. coord.join(threads)

3、单个Reader,多个样本,主要也是通过 tf.train.shuffle_batch来实现

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. filenames = ['A.csv', 'B.csv', 'C.csv']
  4. filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
  5. reader = tf.TextLineReader()
  6. key, value = reader.read(filename_queue)
  7. example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
  8. # 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。
  9. #Decoder解后数据会进入这个队列,再批量出队。
  10. # 虽然这里只有一个Reader,但可以设置多线程,相应增加线程数会提高读取速度,但并不是线程越多越好。
  11. example_batch, label_batch = tf.train.batch(
  12. [example, label], batch_size=5)
  13. with tf.Session() as sess:
  14. coord = tf.train.Coordinator()
  15. threads = tf.train.start_queue_runners(coord=coord)
  16. for i in range(10):
  17. e_val,l_val = sess.run([example_batch,label_batch])
  18. print e_val,l_val
  19. coord.request_stop()
  20. coord.join(threads)

说明:下面这种写法,提取出来的batch_size个样本,特征和label之间也是不同步的

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. filenames = ['A.csv', 'B.csv', 'C.csv']
  4. filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
  5. reader = tf.TextLineReader()
  6. key, value = reader.read(filename_queue)
  7. example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])
  8. # 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。
  9. #Decoder解后数据会进入这个队列,再批量出队。
  10. # 虽然这里只有一个Reader,但可以设置多线程,相应增加线程数会提高读取速度,但并不是线程越多越好。
  11. example_batch, label_batch = tf.train.batch(
  12. [example, label], batch_size=5)
  13. with tf.Session() as sess:
  14. coord = tf.train.Coordinator()
  15. threads = tf.train.start_queue_runners(coord=coord)
  16. for i in range(10):
  17. print example_batch.eval(), label_batch.eval()
  18. coord.request_stop()
  19. coord.join(threads)
说明:输出结果如下:可以看出feature和label之间是不对应的

['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2'] ['B3' 'C1' 'C2' 'C3' 'A1']
['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3'] ['C1' 'C2' 'C3' 'A1' 'A2']
['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1'] ['C2' 'C3' 'A1' 'A2' 'A3']

4、多个reader,多个样本

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. filenames = ['A.csv', 'B.csv', 'C.csv']
  4. filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
  5. reader = tf.TextLineReader()
  6. key, value = reader.read(filename_queue)
  7. record_defaults = [['null'], ['null']]
  8. #定义了多种解码器,每个解码器跟一个reader相连
  9. example_list = [tf.decode_csv(value, record_defaults=record_defaults)
  10. for _ in range(2)] # Reader设置为2
  11. # 使用tf.train.batch_join(),可以使用多个reader,并行读取数据。每个Reader使用一个线程。
  12. example_batch, label_batch = tf.train.batch_join(
  13. example_list, batch_size=5)
  14. with tf.Session() as sess:
  15. coord = tf.train.Coordinator()
  16. threads = tf.train.start_queue_runners(coord=coord)
  17. for i in range(10):
  18. e_val,l_val = sess.run([example_batch,label_batch])
  19. print e_val,l_val
  20. coord.request_stop()
  21. coord.join(threads)

tf.train.batch tf.train.shuffle_batch 函数 是单个Reader读取 ,但是可以多线程。 tf.train.batch_join 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。

5、迭代控制,设置epoch参数,指定我们的样本在训练的时候只能被用多少轮

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. filenames = ['A.csv', 'B.csv', 'C.csv']
  4. #num_epoch: 设置迭代数
  5. filename_queue = tf.train.string_input_producer(filenames, shuffle=False,num_epochs=3)
  6. reader = tf.TextLineReader()
  7. key, value = reader.read(filename_queue)
  8. record_defaults = [['null'], ['null']]
  9. #定义了多种解码器,每个解码器跟一个reader相连
  10. example_list = [tf.decode_csv(value, record_defaults=record_defaults)
  11. for _ in range(2)] # Reader设置为2
  12. # 使用tf.train.batch_join(),可以使用多个reader,并行读取数据。每个Reader使用一个线程。
  13. example_batch, label_batch = tf.train.batch_join(
  14. example_list, batch_size=1)
  15. #初始化本地变量
  16. init_local_op = tf.initialize_local_variables()
  17. with tf.Session() as sess:
  18. sess.run(init_local_op)
  19. coord = tf.train.Coordinator()
  20. threads = tf.train.start_queue_runners(coord=coord)
  21. try:
  22. while not coord.should_stop():
  23. e_val,l_val = sess.run([example_batch,label_batch])
  24. print e_val,l_val
  25. except tf.errors.OutOfRangeError:
  26. print('Epochs Complete!')
  27. finally:
  28. coord.request_stop()
  29. coord.join(threads)
  30. coord.request_stop()
  31. 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。

=========================================================================================对于传统的机器学习而言,比方说分类问题,[x1 x2 x3]是feature。对于二分类问题,label经过one-hot编码之后就会是[0,1]或者[1,0]。一般情况下,我们会考虑将数据组织在csv文件中,一行代表一个sample。然后使用队列的方式去读取数据


说明:对于该数据,前三列代表的是feature,因为是分类问题,后两列就是经过one-hot编码之后得到的label

使用队列读取该csv文件的代码如下:

  1. #-*- coding:utf-8 -*-
  2. import tensorflow as tf
  3. # 生成一个先入先出队列和一个QueueRunner,生成文件名队列
  4. filenames = ['A.csv']
  5. filename_queue = tf.train.string_input_producer(filenames, shuffle=False)
  6. # 定义Reader
  7. reader = tf.TextLineReader()
  8. key, value = reader.read(filename_queue)
  9. # 定义Decoder
  10. record_defaults = [[1], [1], [1], [1], [1]]
  11. col1, col2, col3, col4, col5 = tf.decode_csv(value,record_defaults=record_defaults)
  12. features = tf.pack([col1, col2, col3])
  13. label = tf.pack([col4,col5])
  14. example_batch, label_batch = tf.train.shuffle_batch([features,label], batch_size=2, capacity=200, min_after_dequeue=100, num_threads=2)
  15. # 运行Graph
  16. with tf.Session() as sess:
  17. coord = tf.train.Coordinator() #创建一个协调器,管理线程
  18. threads = tf.train.start_queue_runners(coord=coord) #启动QueueRunner, 此时文件名队列已经进队。
  19. for i in range(10):
  20. e_val,l_val = sess.run([example_batch, label_batch])
  21. print e_val,l_val
  22. coord.request_stop()
  23. coord.join(threads)

输出结果如下:


说明:

record_defaults = [[1], [1], [1], [1], [1]]
代表解析的模板,每个样本有5列,在数据中是默认用‘,’隔开的,然后解析的标准是[1],也即每一列的数值都解析为整型。[1.0]就是解析为浮点,['null']解析为string类型



声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/123852
推荐阅读
相关标签
  

闽ICP备14008679号