『TensorFlow』读书笔记_TFRecord学习

一、程序介绍

1、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

2、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]))

3、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，

if __name__=='__main__':
    TFRecord_write()

输出如下，

4、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，

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。

5、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，

6、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）

二、batch和batch_join的说明

1、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

2、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

3、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'] 

4、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）