【深度学习系列】数据预处理

PaddlePaddle的基本数据格式

根据官网的资料，总结出PaddlePaddle支持多种不同的数据格式，包括四种数据类型和三种序列格式：

四种数据类型：

dense_vector：稠密的浮点数向量。
sparse_binary_vector：稀疏的二值向量，即大部分值为0，但有值的地方必须为1。
sparse_float_vector：稀疏的向量，即大部分值为0，但有值的部分可以是任何浮点数。
integer：整型格式
api如下：

paddle.v2.data_type.dense_vector(dim, seq_type=0)
说明：稠密向量，输入特征是一个稠密的浮点向量。举个例子，手写数字识别里的输入图片是28*28的像素，Paddle的神经网络的输入应该是一个784维的稠密向量。
参数：
dim(int) 向量维度
seq_type(int)输入的序列格式
返回类型：InputType
paddle.v2.data_type.sparse_binary_vector(dim, seq_type=0)
说明：稀疏的二值向量。输入特征是一个稀疏向量，这个向量的每个元素要么是0,要么是1
参数：同上
返回类型：同上
paddle.v2.data_type.sparse_vector(dim, seq_type=0)
说明：稀疏向量，向量里大多数元素是0，其他的值可以是任意的浮点值
参数：同上
返回类型：同上
paddle.v2.data_type.integer_value(value_range, seq_type=0)
说明：整型格式
参数：　　
seq_type(int)：输入的序列格式
value_range(int)：每个元素的范围
返回类型：InputType
三种序列格式：

SequenceType.NO_SEQUENCE：不是一条序列
SequenceType.SEQUENCE：是一条时间序列
SequenceType.SUB_SEQUENCE：是一条时间序列，且序列的每一个元素还是一个时间序列。
api如下：

paddle.v2.data_type.dense_vector_sequence(dim, seq_type=0)
说明：稠密向量的序列格式
参数：dim(int)：稠密向量的维度
返回类型：InputType
paddle.v2.data_type.sparse_binary_vector_sequence(dim, seq_type=0)
说明：稀疏的二值向量序列。每个序列里的元素要么是0要么是1
参数：dim(int)：稀疏向量的维度
返回类型：InputType
paddle.v2.data_type.sparse_non_value_slot(dim, seq_type=0)
说明：稀疏的向量序列。每个序列里的元素要么是0要么是1
参数：
dim(int)：稀疏向量的维度
seq_type(int)：输入的序列格式
返回类型：InputType
paddle.v2.data_type.sparse_value_slot(dim, seq_type=0)
说明：稀疏的向量序列，向量里大多数元素是0，其他的值可以是任意的浮点值
参数：
dim(int)：稀疏向量的维度
seq_type(int)：输入的序列格式
返回类型：InputType
paddle.v2.data_type.integer_value_sequence(value_range, seq_type=0)
说明：value_range(int)：每个元素的范围
　　不同的数据类型和序列模式返回的格式不同，如下表：

其中f表示浮点数，i表示整数

注意：对sparse_binary_vector和sparse_float_vector，PaddlePaddle存的是有值位置的索引。例如，

对一个5维非序列的稀疏01向量 [0, 1, 1, 0, 0] ，类型是sparse_binary_vector，返回的是 [1, 2] 。(因为只有第1位和第2位有值)
对一个5维非序列的稀疏浮点向量 [0, 0.5, 0.7, 0, 0] ，类型是sparse_float_vector，返回的是 [(1, 0.5), (2, 0.7)] 。（因为只有第一位和第二位有值，分别是0.5和0.7）

PaddlePaddle的数据读取方式

我们了解了上文的四种基本数据格式和三种序列模式后，在处理自己的数据时可以根据需求选择，但是处理完数据后如何把数据放到模型里去训练呢？我们知道，基本的方法一般有两种：

一次性加载到内存：模型训练时直接从内存中取数据，不需要大量的IO消耗，速度快，适合少量数据。
加载到磁盘/HDFS/共享存储等：这样不用占用内存空间，在处理大量数据时一般采取这种方式，但是缺点是每次数据加载进来也是一次IO的开销，非常影响速度。

在PaddlePaddle中我们可以有三种模式来读取数据：分别是reader、reader creator和reader decorator,这三者有什么区别呢？

reader：从本地、网络、分布式文件系统HDFS等读取数据，也可随机生成数据，并返回一个或多个数据项。

reader creator：一个返回reader的函数。

reader decorator：装饰器，可组合一个或多个reader。

reader

我们先以reader为例，为房价数据（斯坦福吴恩达的公开课第一课举例的数据）创建一个reader：

创建一个reader，实质上是一个迭代器，每次返回一条数据（此处以房价数据为例）

reader = paddle.dataset.uci_housing.train()

2. 创建一个shuffle_reader，把上一步的reader放进去，配置buf_size就可以读取buf_size大小的数据自动做shuffle，让数据打乱，随机化

shuffle_reader = paddle.reader.shuffle(reader,buf_size= 100)

3.创建一个batch_reader，把上一步混洗好的shuffle_reader放进去，给定batch_size，即可创建。

batch_reader = paddle.batch(shuffle_reader,batch_size = 2)

这三种方式也可以组合起来放一块：

reader = paddle.batch(paddle.reader.shuffle(uci_housing.train(),buf_size = 100),batch_size=2)

可以以一个直观的图来表示：

从图中可以看到，我们可以直接从原始数据集里拿去数据，用reader读取，一条条灌倒shuffle_reader里，在本地随机化，把数据打乱，做shuffle，然后把shuffle后的数据，一个batch一个batch的形式，批量的放到训练器里去进行每一步的迭代和训练。流程简单，而且只需要使用一行代码即可实现整个过程。

reader creator

如果想要生成一个简单的随机数据，以reader creator为例：

def reader_creator():def reader():while True:yield numpy.random.uniform(-1,1,size=784)return reader

源码见creator.py, 支持四种格式：np_array，text_file，RecordIO和cloud_reader

__all__ = ['np_array', 'text_file', "cloud_reader"]def np_array(x):"""Creates a reader that yields elements of x, if it is anumpy vector. Or rows of x, if it is a numpy matrix.Or any sub-hyperplane indexed by the highest dimension.:param x: the numpy array to create reader from.:returns: data reader created from x."""def reader():if x.ndim < 1:yield xfor e in x:yield ereturn readerdef text_file(path):"""Creates a data reader that outputs text line by line from given text file.Trailing new line ('\\\\n') of each line will be removed.:path: path of the text file.:returns: data reader of text file"""def reader():f = open(path, "r")for l in f:yield l.rstrip('\n')f.close()return readerdef recordio(paths, buf_size=100):"""Creates a data reader from given RecordIO file paths separated by ",",glob pattern is supported.:path: path of recordio files, can be a string or a string list.:returns: data reader of recordio files."""import recordio as recimport paddle.v2.reader.decorator as decimport cPickle as pickledef reader():if isinstance(paths, basestring):path = pathselse:path = ",".join(paths)f = rec.reader(path)while True:r = f.read()if r is None:breakyield pickle.loads(r)f.close()return dec.buffered(reader, buf_size)pass_num = 0def cloud_reader(paths, etcd_endpoints, timeout_sec=5, buf_size=64):"""Create a data reader that yield a record one by one fromthe paths::paths: path of recordio files, can be a string or a string list.:etcd_endpoints: the endpoints for etcd cluster:returns: data reader of recordio files...  code-block:: pythonfrom paddle.v2.reader.creator import cloud_readeretcd_endpoints = "http://127.0.0.1:2379"trainer.train.(reader=cloud_reader(["/work/dataset/uci_housing/uci_housing*"], etcd_endpoints),)"""import osimport cPickle as pickleimport paddle.v2.master as masterc = master.client(etcd_endpoints, timeout_sec, buf_size)if isinstance(paths, basestring):path = [paths]else:path = pathsc.set_dataset(path)def reader():global pass_numc.paddle_start_get_records(pass_num)pass_num += 1while True:r, e = c.next_record()if not r:if e != -2:print "get record error: ", ebreakyield pickle.loads(r)return reader

reader decorator

如果想要读取同时读取两部分的数据，那么可以定义两个reader，合并后对其进行shuffle。如我想读取所有用户对比车系的数据和浏览车系的数据，可以定义两个reader，分别为contrast()和view()，然后通过预定义的reader decorator缓存并组合这些数据，在对合并后的数据进行乱序操作。源码见decorator.py

data = paddle.reader.shuffle(paddle.reader.compose(paddle.reader(contradt(contrast_path),buf_size = 100),paddle.reader(view(view_path),buf_size = 200),500)

这样有一个很大的好处，就是组合特征来训练变得更容易了！传统的跑模型的方法是，确定label和feature，尽可能多的找合适的feature扔到模型里去训练，这样我们就需要做一张大表，训练完后我们可以分析某些特征的重要性然后重新增加或减少一些feature来进行训练，这样我们有需要对原来的label-feature表进行修改，如果数据量小没啥影响，就是麻烦点，但是数据量大的话需要每一次增加feature，和主键、label来join的操作都会很耗时，如果采取这种方式的话，我们可以对某些同一类的特征做成一张表，数据存放的地址存为一个变量名，每次跑模型的时候想选取几类特征，就创建几个reader，用reader decorator 组合起来，最后再shuffle灌倒模型里去训练。这！样！是！不！是！很！方！便！

如果没理解，我举一个实例，假设我们要预测用户是否会买车，label是买车 or 不买车，feature有浏览车系、对比车系、关注车系的功能偏好等等20个，传统的思维是做成这样一张表：

如果想要减少feature_2,看看feature_2对模型的准确率影响是否很大，那么我们需要在这张表里去掉这一列，想要增加一个feature的话，也需要在feature里增加一列，如果用reador decorator的话，我们可以这样做数据集：

把相同类型的feature放在一起，不用频繁的join减少时间，一共做四个表，创建4个reador：

data = paddle.reader.shuffle(paddle.reader.compose(paddle.reader(table1(table1_path),buf_size = 100),paddle.reader(table2(table2_path),buf_size = 100),paddle.reader(table3(table3_path),buf_size = 100),paddle.reader(table4(table4_path),buf_size = 100),500)

如果新发现了一个特征，想尝试这个特征对模型提高准确率有没有用，可以再单独把这个特征数据提取出来，再增加一个reader，用reader decorator组合起来，shuffle后放入模型里跑就行了。

PaddlePaddle的数据预处理实例

还是以手写数字为例，对数据进行处理后并划分train和test，只需要4步即可：

指定数据地址

import paddle.v2.dataset.common
import subprocess
import numpy
import platform
__all__ = ['train', 'test', 'convert']URL_PREFIX = 'http://yann.lecun.com/exdb/mnist/'
TEST_IMAGE_URL = URL_PREFIX + 't10k-images-idx3-ubyte.gz'
TEST_IMAGE_MD5 = '9fb629c4189551a2d022fa330f9573f3'
TEST_LABEL_URL = URL_PREFIX + 't10k-labels-idx1-ubyte.gz'
TEST_LABEL_MD5 = 'ec29112dd5afa0611ce80d1b7f02629c'
TRAIN_IMAGE_URL = URL_PREFIX + 'train-images-idx3-ubyte.gz'
TRAIN_IMAGE_MD5 = 'f68b3c2dcbeaaa9fbdd348bbdeb94873'
TRAIN_LABEL_URL = URL_PREFIX + 'train-labels-idx1-ubyte.gz'
TRAIN_LABEL_MD5 = 'd53e105ee54ea40749a09fcbcd1e9432'

2.创建reader creator

def reader_creator(image_filename, label_filename, buffer_size):# 创建一个readerdef reader():if platform.system() == 'Darwin':zcat_cmd = 'gzcat'elif platform.system() == 'Linux':zcat_cmd = 'zcat'else:raise NotImplementedError()m = subprocess.Popen([zcat_cmd, image_filename], stdout=subprocess.PIPE)m.stdout.read(16)l = subprocess.Popen([zcat_cmd, label_filename], stdout=subprocess.PIPE)l.stdout.read(8)try:  # reader could be break.while True:labels = numpy.fromfile(l.stdout, 'ubyte', count=buffer_size).astype("int")if labels.size != buffer_size:break  # numpy.fromfile returns empty slice after EOF.images = numpy.fromfile(m.stdout, 'ubyte', count=buffer_size * 28 * 28).reshape((buffer_size, 28 * 28)).astype('float32')images = images / 255.0 * 2.0 - 1.0for i in xrange(buffer_size):yield images[i, :], int(labels[i])finally:m.terminate()l.terminate()return reader

3.创建训练集和测试集

def train():"""创建mnsit的训练集 reader creator返回一个reador creator，每个reader里的样本都是图片的像素值，在区间[0,1]内，label为0~9返回：training reader creator"""return reader_creator(paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist',TRAIN_IMAGE_MD5),paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist',TRAIN_LABEL_MD5), 100)def test():"""创建mnsit的测试集 reader creator返回一个reador creator，每个reader里的样本都是图片的像素值，在区间[0,1]内，label为0~9返回：testreader creator"""return reader_creator(paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist',TEST_IMAGE_MD5),paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist',TEST_LABEL_MD5), 100)

4.下载数据并转换成相应格式

def fetch():paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist', TRAIN_IMAGE_MD5)paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist', TEST_IMAGE_MD5)paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)def convert(path):"""将数据格式转换为 recordio format"""paddle.v2.dataset.common.convert(path, train(), 1000, "minist_train")paddle.v2.dataset.common.convert(path, test(), 1000, "minist_test")

如果想换成自己的训练数据，只需要按照步骤改成自己的数据地址，创建相应的reader creator（或者reader decorator）即可。

这是图像的例子，如果我们想训练一个文本模型，做一个情感分析，这个时候如何处理数据呢？步骤也很简单。

假设我们有一堆数据，每一行为一条样本，以 \t 分隔，第一列是类别标签，第二列是输入文本的内容，文本内容中的词语以空格分隔。以下是两条示例数据：

positive 今天终于试了自己理想的车外观太骚气了而且中控也很棒
negative 这台车好贵而且还费油性价比太低了
　　现在开始做数据预处理

1.创建reader

def train_reader(data_dir, word_dict, label_dict):def reader():UNK_ID = word_dict["<UNK>"]word_col = 0lbl_col = 1for file_name in os.listdir(data_dir):with open(os.path.join(data_dir, file_name), "r") as f:for line in f:line_split = line.strip().split("\t")word_ids = [word_dict.get(w, UNK_ID)for w in line_split[word_col].split()]yield word_ids, label_dict[line_split[lbl_col]]return reader

返回类型为： paddle.data_type.integer_value_sequence（词语在字典的序号）和 paddle.data_type.integer_value（类别标签）

2.组合读取方式

1 train_reader = paddle.batch(
2         paddle.reader.shuffle(
3             reader.train_reader(train_data_dir, word_dict, lbl_dict),
4             buf_size=1000),
5         batch_size=batch_size)

完整的代码如下（加上了划分train和test部分）：

import osdef train_reader(data_dir, word_dict, label_dict):"""创建训练数据reader:param data_dir: 数据地址.:type data_dir: str:param word_dict: 词典地址,词典里必须有 "UNK" .:type word_dict:python dict:param label_dict: label 字典的地址:type label_dict: Python dict"""def reader():UNK_ID = word_dict["<UNK>"]word_col = 1lbl_col = 0for file_name in os.listdir(data_dir):with open(os.path.join(data_dir, file_name), "r") as f:for line in f:line_split = line.strip().split("\t")word_ids = [word_dict.get(w, UNK_ID)for w in line_split[word_col].split()]yield word_ids, label_dict[line_split[lbl_col]]return readerdef test_reader(data_dir, word_dict):"""创建测试数据reader:param data_dir: 数据地址.:type data_dir: str:param word_dict: 词典地址,词典里必须有 "UNK" .:type word_dict:python dict"""def reader():UNK_ID = word_dict["<UNK>"]word_col = 1for file_name in os.listdir(data_dir):with open(os.path.join(data_dir, file_name), "r") as f:for line in f:line_split = line.strip().split("\t")if len(line_split) < word_col: continueword_ids = [word_dict.get(w, UNK_ID)for w in line_split[word_col].split()]yield word_ids, line_split[word_col]return reader

总结

这篇文章主要讲了在paddlepaddle里如何加载自己的数据集，转换成相应的格式，并划分train和test。我们在使用一个框架的时候通常会先去跑几个简单的demo，但是如果不用常见的demo的数据，自己做一个实际的项目，完整的跑通一个模型，这才代表我们掌握了这个框架的基本应用知识。跑一个模型第一步就是数据预处理，在paddlepaddle里，提供的方式非常简单，但是有很多优点：

shuffle数据非常方便
　　可以将数据组合成batch训练
　　可以利用reader decorator来组合多个reader，提高组合特征运行模型的效率
　　可以多线程读取数据
　　而我之前使用过mxnet来训练车牌识别的模型，50w的图片数据想要一次训练是非常慢的，这样的话就有两个解决方法：一是批量训练，这一点大多数的框架都会有，二是转换成mxnet特有的rec格式，提高读取效率，可以通过im2rec.py将图片转换，比较麻烦，如果是tesnorflow，也有相对应的特定格式tfrecord，这几种方式各有优劣，从易用性上，paddlepaddle是比较简单的。

参考文章：

1.官网说明：http://doc.paddlepaddle.org/develop/doc_cn/getstarted/concepts/use_concepts_cn.html

转载：http://www.cnblogs.com/charlotte77/

【深度学习系列】数据预处理相关推荐

深度学习算法数据预处理之数据增强基础
数据增强也叫做数据扩增,就是在不实质上增加原始数据量的情况下,通过裁剪.旋转.缩放.对称等操作,在原有数据上产生更多的等价数据量作为深度学习的数据集.比如裁剪:对于一张256*256的图,裁剪成224 ...
DL：关于深度学习常用数据集中训练好的权重文件(Deeplab v3、MobileNet、InceptionV3、VGG系列、ResNet、Mask R-CNN )下载地址集合(持续更新)
DL:关于深度学习常用数据集中训练好的权重文件(Deeplab v3.MobileNet.InceptionV3.VGG系列.ResNet.Mask R-CNN )下载地址集合(持续更新) 目录基于 ...
深度学习系列：深度学习在腾讯的平台化和应用实践
深度学习系列:深度学习在腾讯的平台化和应用实践(一) 莫扎特 2015-01-04 6:05:13 大数据技术评论(0) 深度学习是近年机器学习领域的重大突破,有着广泛的应用前景.随着Google公 ...
【深度学习系列】——神经网络的可视化解释
这是深度学习系列的第三篇文章,欢迎关注原创公众号 [计算机视觉联盟],第一时间阅读我的原创!回复 [西瓜书手推笔记] 还可获取我的机器学习纯手推笔记! 深度学习系列 [深度学习系列]--深度学习简介 ...
python系列文章(基础，应用，后端，运维，自动化测试，爬虫，数据分析，可视化，机器学习，深度学习系列内容)
python基础教程 python基础系列教程--Python的安装与测试:python解释器.PyDev编辑器.pycharm编译器 python基础系列教程--Python库的安装与卸载 pyth ...
深度学习系列笔记——贰（基于Tensorflow2 Keras搭建的猫狗大战模型三）
深度学习系列笔记--贰 (基于Tensorflow Keras搭建的猫狗大战模型一) 深度学习系列笔记--贰 (基于Tensorflow Keras搭建的猫狗大战模型二) 前面两篇博文已经介绍了如 ...
深度学习系列笔记——贰（基于Tensorflow Keras搭建的猫狗大战模型一）
猫狗大战是著名的竞赛网站kaggle几年前的一个比赛,参赛者得到猫狗各12500张图片,作为训练集,另外还会得到12500张猫和狗的图片,作为验证.最后提交结果至kaggle平台,获得评测分数. 本篇 ...
【深度学习系列】迁移学习Transfer Learning
在前面的文章中,我们通常是拿到一个任务,譬如图像分类.识别等,搜集好数据后就开始直接用模型进行训练,但是现实情况中,由于设备的局限性.时间的紧迫性等导致我们无法从头开始训练,迭代一两百万次来收敛模型, ...
【深度学习系列】——深度学习简介
这是深度学习系列的第一篇文章,欢迎关注原创公众号 [计算机视觉联盟],第一时间阅读我的原创!回复 [西瓜书手推笔记] 还可获取我的机器学习纯手推笔记! 直达笔记地址:机器学习手推笔记(GitHub地址 ...
【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理(1)
上篇文章我们给出了用paddlepaddle来做手写数字识别的示例,并对网络结构进行到了调整,提高了识别的精度.有的同学表示不是很理解原理,为什么传统的机器学习算法,简单的神经网络(如多层感知机)都可 ...

【深度学习系列】数据预处理

【深度学习系列】数据预处理相关推荐

最新文章

热门文章