[转]『TensorFlow』读书笔记

转自：https://www.cnblogs.com/hellcat/p/8146748.html#_label0_3

程序介绍
- 包导入
- TFRecord录入格式转换
- TFRecord文件写入测试
- TFRecord文件读取测试
- TFRecord文件批量生成
- TFRecord文件读取测试
batch和batch_join的说明
- 文件准备
- 单个Reader，单个样本
- 单个Reader，多个样本
- 多Reader，多个样本

回到顶部

程序介绍

包导入

# Author : Hellcat

# Time : 17-12-29

import os

import numpy as np

np.set_printoptions(threshold=np.inf)

import tensorflow as tf

config = tf.ConfigProto()

config.gpu_options.allow_growth = True

sess = tf.Session(config=config)

from tensorflow.examples.tutorials.mnist import input_data

TFRecord录入格式转换

TFRecord的录入格式是确定的，整数或者二进制，在train函数中能查看所有可以接受类型

def _int64_feature(value):

"""生成整数数据属性"""

return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))

def _bytes_feature(value):

"""生成字符型数据属性"""

return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

TFRecord文件写入测试

将mnist数据以每张图片为单位写入同一个TFR文件，

实际上就是每次把一个图片相关信息都写入，注意文件类型，二级制数据需要以string的格式保存

def TFRecord_write():

"""将mnist数据集写入TFR文件"""

mnist = input_data.read_data_sets('./Data_Set/Mnist_data',

dtype=tf.uint8,one_hot=True)

images = mnist.train.images

labels = mnist.train.labels

pixels = images.shape[1] # 784

num_examples = mnist.train.num_examples # 55000

# TFRecords文件地址

filename = './TFRecord_Output/mnist_train.tfrecords'

if not os.path.exists('./TFRecord_Output/'):

os.makedirs('./TFRecord_Output/')

# 创建一个writer书写文件

writer = tf.python_io.TFRecordWriter(filename)

for index in range(num_examples):

# 提取单张图像矩阵并转换为字符串

image_raw = images[index].tostring()

# 将单张图片相关数据写入TFR文件

example = tf.train.Example(features=tf.train.Features(feature={

'pixels': _int64_feature(pixels),

'label': _int64_feature(np.argmax(labels[index])),

'img_raw': _bytes_feature(image_raw)

}))

writer.write(example.SerializeToString()) # 序列化为字符串

writer.close()

调用，

1 2	`if` `__name__=='__main__':` `TFRecord_write()`

输出如下，

TFRecord文件读取测试

实际的读取基本单位和存入的基本单位是一一对应的，当然也可以复数读取，但是由于tf后续有batch拼接的函数，所以意义不大

def TFRecord_read():

"""从TFR文件读取mnist数据集合"""

# 创建一个reader读取文件

reader = tf.TFRecordReader()

# 创建读取文件队列维护文件列表

filename_queue = tf.train.string_input_producer(['./TFRecord_Output/mnist_train.tfrecords'])

# 读取数据

# 每次读取一个

# _, serialized_example = reader.read(filename_queue)

# 每次读取多个

_, serialized_example = reader.read_up_to(filename_queue,10)

# 解析样例

# 解析函数选择必须和上面读取函数选择相一致

# 解析单个样例

# features = tf.parse_single_example(

# 同时解析所有样例

features = tf.parse_example(

serialized_example,

features={

'img_raw': tf.FixedLenFeature([],tf.string),

'pixels': tf.FixedLenFeature([],tf.int64),

'label': tf.FixedLenFeature([],tf.int64),

})

# 解析二进制数据格式,将之按照uint8格式解析

images = tf.decode_raw(features['img_raw'],tf.uint8)

labels = tf.cast(features['label'],tf.int32)

pixels = tf.cast(features['pixels'],tf.int32)

batch_size = 2

capacity = 1000 + 3 * batch_size

images.set_shape([10,784])

labels.set_shape(10)

pixels.set_shape(10)

image_batch, label_batch, pixel_batch = tf.train.batch(

[images, labels, pixels], batch_size=batch_size, capacity=capacity)

# 线程控制器

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess,coord=coord) # 这里指代的是读取数据的线程，如果不加的话队列一直挂起

for i in range(10):

# print(images, labels, pixels)

# print(sess.run(images))

image, label, pixel = sess.run([image_batch,label_batch,pixel_batch])

# image, label, pixel = sess.run([images,labels,pixels])

print(image.shape,label,pixel)

输出，

拼接batch尺寸为2，每次读取10个数据

可以看到，这里batch尺寸指定的实际上是读取次数

(2, 10, 784)

[[7 3 4 6 1 8 1 0 9 8]
[0 3 1 2 7 0 2 9 6 0]]

[[784 784 784 784 784 784 784 784 784 784]
[784 784 784 784 784 784 784 784 784 784]]
……

注意读取数目和解析数目选择的函数是要对应的，

# 读取数据

# 每次读取一个

# _, serialized_example = reader.read(filename_queue)

# 每次读取多个，这里指定10个

_, serialized_example = reader.read_up_to(filename_queue,10)

# 解析样例

# 解析函数选择必须和上面读取函数选择相一致

# 解析单个样例

# features = tf.parse_single_example()

# 同时解析所有样例

features = tf.parse_example()

值得注意的是这句，

1	`threads` `=` `tf.train.start_queue_runners(sess=sess,coord=coord)`

虽然后续未必会调用（coord实际上还是会调用用于协调停止），但实际上控制着队列的数据读取部分的启动，注释掉后会导致队列有出无进进而挂起。

TFRecord文件批量生成

def TFR_gen():

"""TFR样例数据生成"""

# 定义写多少个文件(数据量大时可以写入多个文件加速)

num_shards = 2

# 定义每个文件中放入多少数据

instances_per_shard = 2

for i in range(num_shards):

file_name = './TFRecord_Output/data.tfrecords-{}-of-{}'.format(i,num_shards)

writer = tf.python_io.TFRecordWriter(file_name)

for j in range(instances_per_shard):

example = tf.train.Example(features=tf.train.Features(feature={

'i':_int64_feature(i),

'j':_int64_feature(j),

'list':_bytes_feature(bytes([1,2,3]))

}))

writer.write(example.SerializeToString()) # 序列化为字符串

writer.close()

输出如下，

TFRecord文件读取测试

def TFR_load():

"""批量载入TFR数据"""

# 匹配文件名

files = tf.train.match_filenames_once('./TFRecord_Output/data.tfrecords-*')

import glob

# files = glob.glob('./TFRecord_Output/data.tfrecords-*')

# 载入文件名

filename_queue = tf.train.string_input_producer(files,shuffle=True)

reader = tf.TFRecordReader()

_,serialized_example = reader.read(filename_queue)

features = tf.parse_single_example(

serialized_example,

features={

'i':tf.FixedLenFeature([],tf.int64),

'j':tf.FixedLenFeature([],tf.int64),

'list':tf.FixedLenFeature([],tf.string)

})

'''

# tf.train.match_filenames_once操作中产生了变量

# 值得注意的是局部变量，需要用下面的初始化函数初始化

sess.run(tf.local_variables_initializer())

print(sess.run(files))

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess,coord=coord)

for i in range(6):

print(sess.run([features['i'],features['j']]))

coord.request_stop()

coord.join(threads)

'''

example, label, array = features['i'], features['j'], features['list']

# 每个batch的中样例的个数

batch_size = 3

# 队列中样例的个数

capacity = 1000 + 3 * batch_size

suffer = False

# batch操作实际代指的就是数据读取和预处理操作

if suffer is not True:

example_batch, label_batch, array_batch = tf.train.batch(

[example, label, array], batch_size=batch_size, capacity=capacity)

else:

# 不同线程处理各自的文件

# 随机包含各个线程选择文件名的随机和文件内部数据读取的随机

example_batch, label_batch, array_batch = tf.train.shuffle_batch(

[example, label, array], batch_size=batch_size, capacity=capacity,

min_after_dequeue=30)

sess.run(tf.local_variables_initializer())

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess, coord=coord) # 这里指代的是读取数据的线程，如果不加的话队列一直挂起

for i in range(2):

cur_example_batch, cur_label_batch, cur_array_batch = sess.run([example_batch, label_batch, array_batch])

print(cur_example_batch, cur_label_batch, cur_array_batch)

coord.request_stop()

coord.join(threads)

注意下面介绍，

# tf.train.match_filenames_once操作中产生了变量

# 值得注意的是局部变量，需要用下面的初始化函数初始化

sess.run(tf.local_variables_initializer())

batch生成的两个函数如下，

suffer = False

# batch操作实际代指的就是数据读取和预处理操作

if suffer is not True:

example_batch, label_batch, array_batch = tf.train.batch(

[example, label, array], batch_size=batch_size, capacity=capacity)

else:

# 不同线程处理各自的文件

# 随机包含各个线程选择文件名的随机和文件内部数据读取的随机

example_batch, label_batch, array_batch = tf.train.shuffle_batch(

[example, label, array], batch_size=batch_size, capacity=capacity,

min_after_dequeue=30)

单一文件多线程，那么选用tf.train.batch（需要打乱样本，有对应的tf.train.shuffle_batch）
多线程多文件的情况，一般选用tf.train.batch_join来获取样本（打乱样本同样也有对应的tf.train.shuffle_batch_join使用）

回到顶部

batch和batch_join的说明

文件准备

$ echo -e "Alpha1,A1\nAlpha2,A2\nAlpha3,A3" > A.csv

$ echo -e "Bee1,B1\nBee2,B2\nBee3,B3" > B.csv

$ echo -e "Sea1,C1\nSea2,C2\nSea3,C3" > C.csv

$ cat A.csv

Alpha1,A1

Alpha2,A2

Alpha3,A3

单个Reader，单个样本

import tensorflow as tf

# 生成一个先入先出队列和一个QueueRunner

filenames = ['A.csv', 'B.csv', 'C.csv']

filename_queue = tf.train.string_input_producer(filenames, shuffle=False)

# 定义Reader

reader = tf.TextLineReader()

key, value = reader.read(filename_queue)

# 定义Decoder

example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])

# 运行Graph

with tf.Session() as sess:

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。

for i in range(10):

print example.eval() #取样本的时候，一个Reader先从文件名队列中取出文件名，读出数据，Decoder解析后进入样本队列。

coord.request_stop()

coord.join(threads)

# outpt

# Alpha1

# Alpha2

# Alpha3

# Bee1

# Bee2

# Bee3

# Sea1

# Sea2

# Sea3

# Alpha1

单个Reader，多个样本

import tensorflow as tf

filenames = ['A.csv', 'B.csv', 'C.csv']

## filenames = tf.train.match_filenames_once('.\data\*.csv')

filename_queue = tf.train.string_input_producer(filenames, shuffle=False)

reader = tf.TextLineReader()

key, value = reader.read(filename_queue)

example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])

# 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。Decoder解后数据会进入这个队列，再批量出队。

# 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。

example_batch, label_batch = tf.train.batch(

[example, label], batch_size=5)

with tf.Session() as sess:

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(coord=coord)

for i in range(10):

print example_batch.eval()

coord.request_stop()

coord.join(threads)

# output

# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']

# ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']

# ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']

# ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']

# ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']

# ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']

# ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']

# ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']

# ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']

# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']

多Reader，多个样本

import tensorflow as tf

filenames = ['A.csv', 'B.csv', 'C.csv']

filename_queue = tf.train.string_input_producer(filenames, shuffle=False)

reader = tf.TextLineReader()

key, value = reader.read(filename_queue)

record_defaults = [['null'], ['null']]

example_list = [tf.decode_csv(value, record_defaults=record_defaults)

for _ in range(2)] # Reader设置为2

# 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。

example_batch, label_batch = tf.train.batch_join(

example_list, batch_size=5)

with tf.Session() as sess:

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(coord=coord)

for i in range(10):

print example_batch.eval()

coord.request_stop()

coord.join(threads)

# output

# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']

# ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']

# ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']

# ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']

# ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']

# ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']

# ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']

# ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']

# ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']

# ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']

tf.train.batch与tf.train.shuffle_batch'数是单个Reader读取，但是可以多线程。tf.train.batch_join'和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。

在这个例子中，虽然只使用了一个文件名队列，但是TensorFlow依然能保证多个文件阅读器从同一次迭代(epoch)的不同文件中读取数据，知道这次迭代的所有文件都被开始读取为止。（通常来说一个线程来对文件名队列进行填充的效率是足够的）

另一种替代方案是：使用tf.train.shuffle_batch 函数,设置num_threads的值大于1。这种方案可以保证同一时刻只在一个文件中进行读取操作(但是读取速度依然优于单线程)，而不是之前的同时读取多个文件。这种方案的优点是：

避免了两个不同的线程从同一个文件中读取同一个样本。
避免了过多的磁盘搜索操作。

简单来说，

单一文件多线程，那么选用tf.train.batch（需要打乱样本，有对应的tf.train.shuffle_batch）

多线程多文件的情况，一般选用tf.train.batch_join来获取样本（打乱样本同样也有tf.train.shuffle_batch_join）