TensorFlow数据读取方法

转自：http://honggang.io/2016/08/19/tensorflow-data-reading/

引言

Tensorflow的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。

Preload与Feeding

Preload

12345678910

import tensorflow as tf# 设计Graphx1 = tf.constant([2, 3, 4])x2 = tf.constant([4, 0, 1])y = tf.add(x1, x2)# 打开一个session --> 计算ywith tf.Session() as sess: print sess.run(y)

在设计Graph的时候，x1和x2就被定义成了两个有值的列表，在计算y的时候直接取x1和x2的值。

Feeding

1234567891011121314

import tensorflow as tf# 设计Graphx1 = 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ywith tf.Session() as sess: print sess.run(y, feed_dict={x1: li1, x2: li2})

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。

两种方法的区别

Preload:

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。
Feeding:

用占位符替代数据，待运行的时候填充数据。

Reading
From File

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。





在上图中，首先由一个单线程把文件名堆入队列，两个Reader同时从队列中取文件名并读取数据，Decoder将读出的数据解码后堆入样本队列，最后单个或批量取出样本（图中没有展示样本出列）。我们这里通过三段代码逐步实现上图的数据流，这里我们不使用随机，让结果更清晰。

文件准备

1234567

$ 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.csvAlpha1,A1Alpha2,A2Alpha3,A3

单个Reader，单个样本

1234567891011121314151617181920212223242526272829303132

import tensorflow as tf# 生成一个先入先出队列和一个QueueRunnerfilenames = ['A.csv', 'B.csv', 'C.csv']filename_queue = tf.train.string_input_producer(filenames, shuffle=False)# 定义Readerreader = tf.TextLineReader()key, value = reader.read(filename_queue)# 定义Decoderexample, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])# 运行Graphwith 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)# outptAlpha1Alpha2Alpha3Bee1Bee2Bee3Sea1Sea2Sea3Alpha1

单个Reader，多个样本

12345678910111213141516171819202122232425262728293031323334

import tensorflow as tffilenames = ['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() 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

1234567891011121314151617181920212223242526272829303132333435

import tensorflow as tffilenames = ['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

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。

迭代控制

123456789101112131415161718192021222324252627282930313233343536

filenames = ['A.csv', 'B.csv', 'C.csv']filename_queue = tf.train.string_input_producer(filenames, shuffle=False, num_epochs=3) # num_epoch: 设置迭代数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)]example_batch, label_batch = tf.train.batch_join( example_list, batch_size=5)init_local_op = tf.initialize_local_variables()with tf.Session() as sess: sess.run(init_local_op) # 初始化本地变量 coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) try: while not coord.should_stop(): print example_batch.eval() except tf.errors.OutOfRangeError: print('Epochs Complete!') finally: coord.request_stop() coord.join(threads) 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']# Epochs Complete!

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。