作者： Sam (甄峰) sam_code@hotmail.com
0. 缘由：
对深度学习而言，因为训练数据通常极为庞大，所以在提高运算能力的同时，更高效的数据I/O操作也非常重要。
使用Tensorflow训练模型时，有三种数据加载方式：
A. 使用python 代码准备数据。
B. 预先加载数据，将需要训练的数据以变量形式保存于内存。
C. 利用管道从文件中读取。
当数据较小时，可以用python 代码进行batch, shuffle, padding等numpy类型的数据处理。
用placeholder+feed_dict 来将其导入到graph中变成Tensor类型数据。
但当数据数量远超内存大小时，就只能放到硬盘中，边用边读。
这就必须考虑数据的移动，读取，处理等速度了。Tensorflow推荐使用自带的TFRecords文件，可以提高速度，节省空间。
TFRecords文件以二进制进行存储，适合以串行方式读取大批量数据。
Training时，可以编写程序将普通的训练数据保存为TFRecords数据格式。
1. TFRecords文件的创建和写入：
TFRecords是以字典(dict)方式保存feature. 字典的每条记录保存一个特征(feature).
把所有特征存入字典。
字典的Key记录feature的名字。 字典的value则记录feature的内容。
1.1: Feature值存储类型：
Feature的值，必须是Tensorflow指定的feature类型中的一个：
int64, float32. string.
可以用以下方式构建feature值。
tf.train.Feature(int64_list=tf.train.Int64List(value=
input))
tf.train.Feature(float_list =
tf.train.FloatList(value=input))
tf.train.Feature(bytes_list=tf.train.BytesList(value=input))
注意： value传入的参数，必须都是list.
Tensorflow的Feature只接受List数据， 如果特征数据类型为矩阵或者Image.该如何处理呢？
处理方式有2：
A. 转为List类型。 将张量fatten成List.
B. 转为string类型。 使用
.tostring()转为string类型。
但不管使用何种方式，都会丢失shape信息。
可以该样本写入字典时，加入一个新的feature. 它的值就是转换数据的shape. 方便使用数据时转回。
1.2： TFRecords文件的创建思路：
将一个样本数据的每一项特征组合成一个字典。 将样本数据组装成一个Example对象。
这个对象遵循protocol buffer协议。 将example对象序列化为字符串。
最终使用tf.python_io.TFRecordWrite()写入tfrecords文件。
例：
import numpy as np
import tensorflow as tf
from matplotlib import pyplot as plt
import matplotlib.image as mpimg
# 精度3位
np.set_printoptions(precision=3)
# 用于显示数据
def display(alist, show = True):
print('type:%s \nshape:
%s' %(alist[0].dtype,alist[0].shape))
if
show:
for i in range(3):
print('样本%d is: %s' %(i,alist[i]))
scalars = np.array([1,2,3],dtype=np.int64)
print('\n标量:')
display(scalars)
vectors = np.array([[0.1,0.1,0.1], [0.2,0.2,0.2],
[0.3,0.3,0.3]], dtype=np.float32)
print('\n向量:')
display(vectors)
matrices = np.array([np.array((vectors[0],vectors[0])),
np.array((vectors[1],vectors[1])),
np.array((vectors[2],vectors[2]))],dtype=np.float32)
print('\n矩阵:')
display(matrices)
# shape of image：(h,w,3)
img=mpimg.imread('1.jpg')
tensors = np.array([img,img,img])
# show image
print('\n张量:')
display(tensors, show = False)
plt.imshow(img)
# open TFRecord file
writer = tf.python_io.TFRecordWriter('%s.tfrecord'
%'test')
# we are going to write 3 examples，each example has 4
features：scalar, vector, matrix, tensor
for i in range(3):
# create
dictionary
features={}
# write scalar ，type
Int64，"value=[scalars[i]]" makes it to list
features['scalar'] =
tf.train.Feature(int64_list=tf.train.Int64List(value=[scalars[i]]))
# write vector，type
float，it is list，so "value=vectors[i]"
features['vector'] =
tf.train.Feature(float_list =
tf.train.FloatList(value=vectors[i]))
# write matrix，type
float，but its rank =2，tf.train.FloatList only takes list, so we can
flatten it to list
features['matrix'] =
tf.train.Feature(float_list =
tf.train.FloatList(value=matrices[i].reshape(-1)))
# however the shape info
will disappear. we can save shape as vector here
features['matrix_shape']
= tf.train.Feature(int64_list =
tf.train.Int64List(value=matrices[i].shape))
# write tensor，type
float，rank =3，another way is to convert it to string
features['tensor']
=
tf.train.Feature(bytes_list=tf.train.BytesList(value=[tensors[i].tostring()]))
# save
shape
features['tensor_shape']
= tf.train.Feature(int64_list =
tf.train.Int64List(value=tensors[i].shape))
# feed dictionary to
tf.train.Features
tf_features =
tf.train.Features(feature= features)
# get an example
tf_example =
tf.train.Example(features = tf_features)
# serialize the
example
tf_serialized =
tf_example.SerializeToString()
# write
writer.write(tf_serialized)
# close
writer.close()
说明：
A. tf.train.Feature()
构建一个feature值。feature可接受int64,
float32,string.
features['scalar'] =
tf.train.Feature(int64_list=tf.train.Int64List(value=[scalars[i]]))
给features这个字典添加一项，key为scalar.
value为:int64类型。
因为scalers[i]是个标量，而value只接受List. 所以加了方括号，变成list.
features['vector'] = tf.train.Feature(float_list =
tf.train.FloatList(value=vectors[i]))
给features这个字典添加一项，key为vector.
value为：float. 因为vectors[i]本来就是list.所以此处不加[].
features['matrix'] = tf.train.Feature(float_list =
tf.train.FloatList(value=matrices[i].reshape(-1)))
features['matrix_shape'] = tf.train.Feature(int64_list =
tf.train.Int64List(value=matrices[i].shape))
这里希望加一个特征，但这个特征是矩阵。所以需要转为List.
这里利用reshape(-1)把数据fatten为List. 则需要再加入一项，存取其shape.
matrices[i].shape也是个List.所以不加[].
features['tensor']
=
tf.train.Feature(bytes_list=tf.train.BytesList(value=[tensors[i].tostring()]))
features['tensor_shape']
= tf.train.Feature(int64_list =
tf.train.Int64List(value=tensors[i].shape))
另一种转换，并添加shape.
B. tf_features =
tf.train.Features(feature= features)
用存好特征的字典生成一个tf.train.Features.
C. 生成样本。
tf_example = tf.train.Example(features = tf_features)
把features生成样本。
D:序列化样本：
tf_serialized = tf_example.SerializeToString()
E: 写入样本：
writer.write(tf_serialized)
所以此时，TFRecords文件中存入了3个Example.
2. Dataset的使用：
Dataset(tf.data.Dataset)
相当于一个数据集object.
这个Dataset，可以直接从list导入数据，也可以通过TFRecord文件导入数据(主要方法)。
利用Dataset,
可以直接乱序(shuffle), batch, padding, epoch等操作。
而不用再使用python代码去直接处理。
2.1：创建dataset:
dataset =
tf.data.TFRecordDataset("test.tfrecord")
通过刚建立的test.tfrecord文件导入数据。
tf.data.TFRecordDataset()可以打开一个或多个tfrecord文件。生成一个dataset.
打开多个tfrecord文件：
例：打开目录内所有tfrecord文件：
train_files_names =
os.listdir('train_file/')
train_files = ['/home/sam/palm/'+item
for item in train_files_names]
dataset_train =
tf.data.TFRecordDataset(train_files)
这样，就可以把多个tfrecord文件中的数据导入同一个dataset中了。
2.2：解析数据：
因为存入tfrecords文件中的数据，是序列化之后的Example.
所以，需要对数据进行解析后才能使用。也就是说，是写入时各种操作的逆操作。
2.2.1：
解析函数：
2.2.1.1：
样本解析字典：
要解析Example.
就要首先知道它包含样本的格式。由什么feature组成，feature value是何种格式保存的。
这里就用到了样本解析字典，字典的key为feature名，字典的value则是对应的feature解析方式。
解析方式有两种：
A.
定长特征解析：
tf.FixedLenFeature(shape, dtype,
default_value=None)
用于解析固定长度特征。只要知道数据类型和shape，那数据长度就固定了。
所以参数shape用来指定把此feature的数据解析为何种shape.
而dtype则指定数据的类型，类型是tf.float32, tf.int64, tf.string中的一种(与feature
value取值部分对应)。
B.不定长特征解析：
tf.VarLenFeature(dtype)
样本解析字典：
dics = {'scalar':
tf.FixedLenFeature(shape=(), dtype=tf.int64,
default_value=None),
# when parse the example,
shape below can be used as reshape, for example reshape (3,) to
(1,3)
'vector':
tf.FixedLenFeature(shape=(1,3),
dtype=tf.float32),
# we can use VarLenFeature,
but it returns SparseTensor
'matrix':
tf.VarLenFeature(tf.float32),
'matrix_shape':
tf.FixedLenFeature(shape=(2,),
dtype=tf.int64),
# tensor在写入时
使用了toString()，shape是()
# we first set the type as
tf.string, then change to its original type: tf.uint8
'tensor':
tf.FixedLenFeature(shape=(),
dtype=tf.string),
'tensor_shape':
tf.FixedLenFeature(shape=(3,), dtype=tf.int64)}
和之前写入时一一对应。
其中
Key=vector项，写入时，数据shape为(3,), 解析时，修改为(1,3).
2.2.2: 解析一个Example:
tf.parse_single_example(
serialized,
features,
name=None,
example_names=None,
)
serialized: a single serialized Example
features: 样本解析字典。
返回一个字典，key是feature名。 value是feature值。
其中value的格式，由样本解析字典定。
2.2.3：初步处理feature:
因为一些数据是转换为string, 或者因为使用不定长特征解析(解析出的是SparseTensor)。要转换回来。
还有就是要改变shape.
利用解析函数，生成新的dataset.
这个数据集，是被解析过得。
new_dataset
= dataset.map(parse_function)
建立迭代器，每次取出一个Example.
iterator = new_dataset.make_one_shot_iterator()
next_element = iterator.get_next()
利用dataset做shuffle：
shuffle_dataset = new_dataset.shuffle(buffer_size=10000)
iterator = shuffle_dataset.make_one_shot_iterator()
next_element = iterator.get_next()
batch:
batch_dataset
=
shuffle_dataset.batch(4)iterator
=
batch_dataset.make_one_shot_iterator()next_element
=
iterator.get_next()
![]()
