加载中 ...

如何在TensorFlow中高效使用数据集

2018-03-14 09:04 来源:网络大数据

处理并使用数据集是深度学习任务非常重要的组成部分。在本文中,作者 Francesco Zuppichini 将教你使用 TensorFlow 的内建管道向模型传递数据的方法,从此远离「feed-dict」。本文内容已更新
处理并使用数据集是深度学习任务非常重要的组成部分。在本文中,作者 Francesco Zuppichini 将教你使用 TensorFlow 的内建管道向模型传递数据的方法,从此远离「feed-dict」。本文内容已更新至最新的 TensorFlow 1.5 版本。

相关代码地址:https://github.com/FrancescoSaverioZuppichini/Tensorflow-Dataset-Tutorial/blob/master/dataset_tutorial.ipynb

经常使用神经网络框架的人都会知道,feed-dict 是向 TensorFlow 传递信息最慢的方式,应该尽量避免使用。向模型提供数据的正确方式是使用输入管道,这样才能保证 GPU 在工作时永远无需等待新的数据。

幸运的是,TensorFlow 拥有一个名为 Dataset 的内建 API,它可以让我们的工作更加简单。在本教程中,我们将介绍搭建内建管道,让数据高效传递给模型的方法。

本文将解释 Dataset 的基本原理,包含大多数常用案例。

概述

使用 Dataset 需要遵循三个步骤:

载入数据:为数据创建一个数据集实例。

创建一个迭代器:通过使用创建的数据集构建一个迭代器来对数据集进行迭代。

使用数据:通过使用创建的迭代器,我们可以找到可传输给模型的数据集元素。

载入数据

我们首先需要一些可以放入数据集的数据。

从 Numpy 导入

这是一种常见情况:我们拥有一个 numpy 数组,想把它传递给 TensorFlow。

# create a random vector of shape (100,2)

x = np.random.sample((100,2))

# make a dataset from a numpy array

dataset = tf.data.Dataset.from_tensor_slices(x)

我们当然也可以传递多个 numpy 数组,一个典型的例子是:当我们已有被分配多个特征和标签的数据时……

features, labels = (np.random.sample((100,2)), np.random.sample((100,1)))

dataset = tf.data.Dataset.from_tensor_slices((features,labels))

从张量导入

当然,我们也可以从张量中初始化自己的数据集。

# using a tensor

dataset = tf.data.Dataset.from_tensor_slices(tf.random_uniform([100, 2]))

从占位符导入

当我们希望动态地修改 Dataset 中的数据时,这就会很有用,稍后会有详述。

x = tf.placeholder(tf.float32, shape=[None,2])

dataset = tf.data.Dataset.from_tensor_slices(x)

从生成器导入

我们还可以从生成器中初始化 Dataset,这种方式在拥有不同长度的元素的数组时有意义(例如一个序列)。

sequence = np.array([[1],[2,3],[3,4]])

def generator():

for el in sequence:

yield el

dataset = tf.data.Dataset().from_generator(generator,

output_types=tf.float32,

output_shapes=[tf.float32])

在这种情况下,你还需要告诉 Dataset 数据的类型和形状以创建正确的张量。

创建迭代器

我们已经学会创建数据集了,但如何从中获取数据呢?我们必须使用迭代器(Iterator),它会帮助我们遍历数据集中的内容并找到真值。有四种类型的迭代器。

One Shot 迭代器

这是最简单的迭代器,使用第一个示例:

x = np.random.sample((100,2))

# make a dataset from a numpy array

dataset = tf.data.Dataset.from_tensor_slices(x)

# create the iterator

iter = dataset.make_one_shot_iterator()

随后你需要调用 get_next() 来获取包含这些数据的张量

...

# create the iterator

iter = dataset.make_one_shot_iterator()

el = iter.get_next()

我们可以运行 el 来查看它们的值。

with tf.Session() as sess:

print(sess.run(el)) # output: [ 0.42116176 0.40666069]

可初始化的迭代器

如果我们想要创建一个动态的数据集,在其中可以实时更改数据源,我们可以用占位符创建一个数据集。随后我们可以使用通常的 feed-dict 机制来初始化占位符。这一过程可用「可初始化迭代器(initializable iterator)」来完成。使用上一节中的第三个例子:

# using a placeholder

x = tf.placeholder(tf.float32, shape=[None,2])

dataset = tf.data.Dataset.from_tensor_slices(x)

data = np.random.sample((100,2))

iter = dataset.make_initializable_iterator() # create the iterator

el = iter.get_next()

with tf.Session() as sess:

# feed the placeholder with data

sess.run(iter.initializer, feed_dict={ x: data })

print(sess.run(el)) # output [ 0.52374458 0.71968478]

这次我们调用 make_initializable_iterator。然后,我们在 sess 中运行 initializer 操作,以传递数据,这种情况下数据是随机的 numpy 数组。

假设现在我们有了训练数据集和测试数据集,那么常见的代码如下:

train_data = (np.random.sample((100,2)), np.random.sample((100,1)))

test_data = (np.array([[1,2]]), np.array([[0]]))

然后,我们训练该模型,并在测试数据集上对其进行测试,测试可以通过训练后再次初始化迭代器来完成。

# initializable iterator to switch between dataset

EPOCHS = 10

x, y = tf.placeholder(tf.float32, shape=[None,2]), tf.placeholder(tf.float32, shape=[None,1])

dataset = tf.data.Dataset.from_tensor_slices((x, y))

train_data = (np.random.sample((100,2)), np.random.sample((100,1)))

test_data = (np.array([[1,2]]), np.array([[0]]))

iter = dataset.make_initializable_iterator()

features, labels = iter.get_next()

with tf.Session() as sess:

# initialise iterator with train data

sess.run(iter.initializer, feed_dict={ x: train_data[0], y: train_data[1]})

for _ in range(EPOCHS):

sess.run([features, labels])

# switch to test data

sess.run(iter.initializer, feed_dict={ x: test_data[0], y: test_data[1]})

print(sess.run([features, labels]))

可重新初始化的迭代器

这个概念和之前的类似,即在数据之间动态地转换。但并不是将新数据馈送到相同的数据集,而是在数据集之间转换。如前,我们需要一个训练集和一个测试集。

# making fake data using numpy

train_data = (np.random.sample((100,2)), np.random.sample((100,1)))

test_data = (np.random.sample((10,2)), np.random.sample((10,1)))

我们可以创建两个数据集:

# create two datasets, one for training and one for test

train_dataset = tf.data.Dataset.from_tensor_slices(train_data)

test_dataset = tf.data.Dataset.from_tensor_slices(test_data)

接下来是要展示的技巧,即创建一个通用的迭代器:

# create a iterator of the correct shape and type

iter = tf.data.Iterator.from_structure(train_dataset.output_types,

train_dataset.output_shapes)

以及两个初始化运算:

# create the initialisation operations

train_init_op = iter.make_initializer(train_dataset)

test_init_op = iter.make_initializer(test_dataset)

和之前一样,我们得到了下一个元素:

features, labels = iter.get_next()

现在,我们可以直接使用会话运行这两个初始化运算。总结起来我们得到:

# Reinitializable iterator to switch between Datasets

EPOCHS = 10

# making fake data using numpy

train_data = (np.random.sample((100,2)), np.random.sample((100,1)))

test_data = (np.random.sample((10,2)), np.random.sample((10,1)))

# create two datasets, one for training and one for test

train_dataset = tf.data.Dataset.from_tensor_slices(train_data)

test_dataset = tf.data.Dataset.from_tensor_slices(test_data)

# create a iterator of the correct shape and type

iter = tf.data.Iterator.from_structure(train_dataset.output_types,

train_dataset.output_shapes)

features, labels = iter.get_next()

# create the initialisation operations

train_init_op = iter.make_initializer(train_dataset)

test_init_op = iter.make_initializer(test_dataset)

with tf.Session() as sess:

sess.run(train_init_op) # switch to train dataset

for _ in range(EPOCHS):

sess.run([features, labels])

sess.run(test_init_op) # switch to val dataset

print(sess.run([features, labels]))

可馈送的迭代器

老实说,我并不认为这个有什么用。基本上,它是用迭代器之间的转换取代了数据集之间的转换,从而得到如一个来自 make_one_shot_iterator() 的迭代器,以及一个来自 make_initializable_iterator() 的迭代器。

使用数据

在前述例子中,我们利用会话输出 Dataset 中下一个元素的值。

...

next_el = iter.get_next()

...

print(sess.run(next_el)) # will output the current element

为了将数据传递给模型,我们只需要传递从 get_next() 生成的张量。在下面的代码中,我们有一个包含了两个 numpy 数组的 Dataset,这里用了和第一节一样的例子。注意,我们需要将.random.sample 封装到另一个 numpy 数组,以增加一个维度,从而将数据进行分批。

# using two numpy arrays

features, labels = (np.array([np.random.sample((100,2))]),

np.array([np.random.sample((100,1))]))

dataset = tf.data.Dataset.from_tensor_slices((features,labels)).repeat().batch(BATCH_SIZE)

然后,和往常一样,我们创建一个迭代器:

iter = dataset.make_one_shot_iterator()

x, y = iter.get_next()

创建一个模型,即一个简单的神经网络:

# make a simple model

net = tf.layers.dense(x, 8) # pass the first value from iter.get_next() as input

net = tf.layers.dense(net, 8)

prediction = tf.layers.dense(net, 1)

loss = tf.losses.mean_squared_error(prediction, y) # pass the second value from iter.get_net() as label

train_op = tf.train.AdamOptimizer().minimize(loss)

我们直接使用来自 iter.get_next() 的张量作为第一层的输入和损失函数的标签。总结起来我们得到:

# make a simple model

EPOCHS = 10

BATCH_SIZE = 16

# using two numpy arrays

features, labels = (np.array([np.random.sample((100,2))]),

np.array([np.random.sample((100,1))]))

dataset = tf.data.Dataset.from_tensor_slices((features,labels)).repeat().batch(BATCH_SIZE)

iter = dataset.make_one_shot_iterator()

x, y = iter.get_next()

# make a simple model

net = tf.layers.dense(x, 8, activation=tf.tanh) # pass the first value from iter.get_next() as input

net = tf.layers.dense(net, 8, activation=tf.tanh)

prediction = tf.layers.dense(net, 1, activation=tf.tanh)

loss = tf.losses.mean_squared_error(prediction, y) # pass the second value from iter.get_net() as label

train_op = tf.train.AdamOptimizer().minimize(loss)

with tf.Session() as sess:

sess.run(tf.global_variables_initializer())

for i in range(EPOCHS):

_, loss_value = sess.run([train_op, loss])

print("Iter: {}, Loss: {:.4f}".format(i, loss_value))

输出:

Iter: 0, Loss: 0.1328

Iter: 1, Loss: 0.1312

Iter: 2, Loss: 0.1296

Iter: 3, Loss: 0.1281

Iter: 4, Loss: 0.1267

Iter: 5, Loss: 0.1254

Iter: 6, Loss: 0.1242

Iter: 7, Loss: 0.1231

Iter: 8, Loss: 0.1220

Iter: 9, Loss: 0.1210

一些有用的技巧

数据分批

通常数据分批是一件令人痛苦的事情,但通过 Dataset API,我们可以利用 batch(BATCH_SIZE) 方法自动地将数据集按设定的批量大小进行分批。默认批量大小为 1。在下面的示例代码中,我们使用的批量大小为 4。

# BATCHING

BATCH_SIZE = 4

x = np.random.sample((100,2))

# make a dataset from a numpy array

dataset = tf.data.Dataset.from_tensor_slices(x).batch(BATCH_SIZE)

iter = dataset.make_one_shot_iterator()

el = iter.get_next()

with tf.Session() as sess:

print(sess.run(el))

输出:

[[ 0.65686128 0.99373963]

[ 0.69690451 0.32446826]

[ 0.57148422 0.68688242]

[ 0.20335116 0.82473219]]

repeat

使用.repeat(),我们可以指定数据集被迭代的次数。如果不传输任何参数,循环将永久进行。通常来说,永久运行循环和在标准循环中直接控制 epoch 的数量可以得到不错的结果。

shuffle

我们可以利用 shuffle() 进行数据集 shuffle,默认是在每一个 epoch 中将数据集 shuffle 一次。记住:数据集 shuffle 是避免过拟合的重要方法。

我们还可以设置参数 buffer_size,下一个元素将从该固定大小的缓存中均匀地选取。例如:

# BATCHING

BATCH_SIZE = 4

x = np.array([[1],[2],[3],[4]])

# make a dataset from a numpy array

dataset = tf.data.Dataset.from_tensor_slices(x)

dataset = dataset.shuffle(buffer_size=100)

dataset = dataset.batch(BATCH_SIZE)

iter = dataset.make_one_shot_iterator()

el = iter.get_next()

with tf.Session() as sess:

print(sess.run(el))

第一次运行的输出:

[[4]

[2]

[3]

[1]]

第二次运行的输出:

[[3]

[1]

[2]

[4]]

这样,数据集 shuffle 就完成了。你还可以设置 seed 参数。

MAP

你可以使用 map 方法对数据集中的所有成员应用定制化函数。下列示例中,我们把每个元素乘 2:

# MAP

x = np.array([[1],[2],[3],[4]])

# make a dataset from a numpy array

dataset = tf.data.Dataset.from_tensor_slices(x)

dataset = dataset.map(lambda x: x*2)

iter = dataset.make_one_shot_iterator()

el = iter.get_next()

with tf.Session() as sess:

# this will run forever

for _ in range(len(x)):

print(sess.run(el))

输出:

[2]

[4]

[6]

[8]

其他资源

TensorFlow 数据集教程:https://www.tensorflow.org/programmers_guide/datasets

数据集文档:https://www.tensorflow.org/api_docs/python/tf/data/Dataset

结论

该数据集 API 使我们快速、稳健地创建优化输入流程来训练、评估和测试我们的模型。本文中,我们了解了很多可以常见操作。

原文链接:https://towardsdatascience.com/how-to-use-dataset-in-tensorflow-c758ef9e4428

本文来源:网络大数据责任编辑:KS002

数据学习

本文仅代表作者个人观点,与本网站立场无关。云掌财经对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证,请读者仅作参考,并请自行核实相关内容。

  • 声音提醒
  • 48秒后自动更新

云掌财经产品下载专区

免费开户

服务时间:8:30-18:00(工作日)