详解Tensorflow数据读取有三种方式（next_batch）


            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：





import tensorflow as tf 

# 设计Graph 

x1 = tf.constant([2, 3, 4]) 

x2 = tf.constant([4, 0, 1]) 

y = tf.add(x1, x2) 

# 打开一个session --> 计算y 

with tf.Session() as sess: 

  print sess.run(y) 



二、python产生数据，再将数据喂给后端





import tensorflow as tf 

# 设计Graph 

x1 = tf.placeholder(tf.int16) 

x2 = tf.placeholder(tf.int16) 

y = tf.add(x1, x2) 

# 用Python产生数据 

li1 = [2, 3, 4] 

li2 = [4, 0, 1] 

# 打开一个session --> 喂数据 --> 计算y 

with tf.Session() as sess: 

  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





$ 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 



2、单个Reader，单个样本





#-*- coding:utf-8 -*- 

import tensorflow as tf 

# 生成一个先入先出队列和一个QueueRunner,生成文件名队列 

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']]) 

#example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2) 

# 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(),label.eval() 

  coord.request_stop() 

  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。





#-*- coding:utf-8 -*- 

import tensorflow as tf 

# 生成一个先入先出队列和一个QueueRunner,生成文件名队列 

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']]) 

example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2) 

# 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): 

    e_val,l_val = sess.run([example_batch, label_batch]) 

    print e_val,l_val 

  coord.request_stop() 

  coord.join(threads) 



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





#-*- coding:utf-8 -*- 

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) 

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): 

    e_val,l_val = sess.run([example_batch,label_batch]) 

    print e_val,l_val 

  coord.request_stop() 

  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





#-*- coding:utf-8 -*- 

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) 

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(), label_batch.eval() 

  coord.request_stop() 

  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





#-*- coding:utf-8 -*- 

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']] 

#定义了多种解码器,每个解码器跟一个reader相连 

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): 

    e_val,l_val = sess.run([example_batch,label_batch]) 

    print e_val,l_val 

  coord.request_stop() 

  coord.join(threads) 







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





#-*- coding:utf-8 -*- 

import tensorflow as tf 

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

#num_epoch: 设置迭代数 

filename_queue = tf.train.string_input_producer(filenames, shuffle=False,num_epochs=3) 

reader = tf.TextLineReader() 

key, value = reader.read(filename_queue) 

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

#定义了多种解码器,每个解码器跟一个reader相连 

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=1) 

#初始化本地变量 

init_local_op = tf.initialize_local_variables() 

with tf.Session() as sess: 

  sess.run(init_local_op) 

  coord = tf.train.Coordinator() 

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

  try: 

    while not coord.should_stop(): 

      e_val,l_val = sess.run([example_batch,label_batch]) 

      print e_val,l_val 

  except tf.errors.OutOfRangeError: 

      print('Epochs Complete!') 

  finally: 

      coord.request_stop() 

  coord.join(threads) 

  coord.request_stop() 

  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：





#-*- coding:utf-8 -*- 

import tensorflow as tf 

# 生成一个先入先出队列和一个QueueRunner,生成文件名队列 

filenames = ['A.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 

record_defaults = [[1], [1], [1], [1], [1]] 

col1, col2, col3, col4, col5 = tf.decode_csv(value,record_defaults=record_defaults) 

features = tf.pack([col1, col2, col3]) 

label = tf.pack([col4,col5]) 

example_batch, label_batch = tf.train.shuffle_batch([features,label], batch_size=2, capacity=200, min_after_dequeue=100, num_threads=2) 

# 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): 

    e_val,l_val = sess.run([example_batch, label_batch]) 

    print e_val,l_val 

  coord.request_stop() 

  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



二、此处给出了几种不同的next_batch方法，该文章只是做出代码片段的解释，以备以后查看：





 def next_batch(self, batch_size, fake_data=False):

  """Return the next `batch_size` examples from this data set."""

  if fake_data:

   fake_image = [1] * 784

   if self.one_hot:

    fake_label = [1] + [0] * 9

   else:

    fake_label = 0

   return [fake_image for _ in xrange(batch_size)], [

     fake_label for _ in xrange(batch_size)

   ]

  start = self._index_in_epoch

  self._index_in_epoch += batch_size

  if self._index_in_epoch > self._num_examples: # epoch中的句子下标是否大于所有语料的个数，如果为True,开始新一轮的遍历

   # Finished epoch

   self._epochs_completed += 1

   # Shuffle the data

   perm = numpy.arange(self._num_examples) # arange函数用于创建等差数组

   numpy.random.shuffle(perm) # 打乱

   self._images = self._images[perm]

   self._labels = self._labels[perm]

   # Start next epoch

   start = 0

   self._index_in_epoch = batch_size

   assert batch_size <= self._num_examples

  end = self._index_in_epoch

  return self._images[start:end], self._labels[start:end]





 该段代码摘自mnist.py文件，从代码第12行start = self._index_in_epoch开始解释，_index_in_epoch-1是上一次batch个图片中最后一张图片的下边，这次epoch第一张图片的下标是从 _index_in_epoch开始，最后一张图片的下标是_index_in_epoch+batch, 如果 _index_in_epoch 大于语料中图片的个数，表示这个epoch是不合适的，就算是完成了语料的一遍的遍历，所以应该对图片洗牌然后开始新一轮的语料组成batch开始





def ptb_iterator(raw_data, batch_size, num_steps):

 """Iterate on the raw PTB data.



 This generates batch_size pointers into the raw PTB data, and allows

 minibatch iteration along these pointers.



 Args:

  raw_data: one of the raw data outputs from ptb_raw_data.

  batch_size: int, the batch size.

  num_steps: int, the number of unrolls.



 Yields:

  Pairs of the batched data, each a matrix of shape [batch_size, num_steps].

  The second element of the tuple is the same data time-shifted to the

  right by one.



 Raises:

  ValueError: if batch_size or num_steps are too high.

 """

 raw_data = np.array(raw_data, dtype=np.int32)



 data_len = len(raw_data)

 batch_len = data_len // batch_size #有多少个batch

 data = np.zeros([batch_size, batch_len], dtype=np.int32) # batch_len 有多少个单词

 for i in range(batch_size): # batch_size 有多少个batch

  data[i] = raw_data[batch_len * i:batch_len * (i + 1)]



 epoch_size = (batch_len - 1) // num_steps # batch_len 是指一个batch中有多少个句子

 #epoch_size = ((len(data) // model.batch_size) - 1) // model.num_steps # // 表示整数除法

 if epoch_size == 0:

  raise ValueError("epoch_size == 0, decrease batch_size or num_steps")



 for i in range(epoch_size):

  x = data[:, i*num_steps:(i+1)*num_steps]

  y = data[:, i*num_steps+1:(i+1)*num_steps+1]

  yield (x, y)





第三种方式：





  def next(self, batch_size):

    """ Return a batch of data. When dataset end is reached, start over.

    """

    if self.batch_id == len(self.data):

      self.batch_id = 0

    batch_data = (self.data[self.batch_id:min(self.batch_id +

                         batch_size, len(self.data))])

    batch_labels = (self.labels[self.batch_id:min(self.batch_id +

                         batch_size, len(self.data))])

    batch_seqlen = (self.seqlen[self.batch_id:min(self.batch_id +

                         batch_size, len(self.data))])

    self.batch_id = min(self.batch_id + batch_size, len(self.data))

    return batch_data, batch_labels, batch_seqlen





第四种方式：





def batch_iter(sourceData, batch_size, num_epochs, shuffle=True):

  data = np.array(sourceData) # 将sourceData转换为array存储

  data_size = len(sourceData)

  num_batches_per_epoch = int(len(sourceData) / batch_size) + 1

  for epoch in range(num_epochs):

    # Shuffle the data at each epoch

    if shuffle:

      shuffle_indices = np.random.permutation(np.arange(data_size))

      shuffled_data = sourceData[shuffle_indices]

    else:

      shuffled_data = sourceData



    for batch_num in range(num_batches_per_epoch):

      start_index = batch_num * batch_size

      end_index = min((batch_num + 1) * batch_size, data_size)



      yield shuffled_data[start_index:end_index]





迭代器的用法，具体学习Python迭代器的用法 



另外需要注意的是，前三种方式只是所有语料遍历一次，而最后一种方法是，所有语料遍历了num_epochs次



以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持中文源码网。