【Tensorflow 大马哈鱼】start_queue_runners，与使用range_input_producer多线程读取数据

一、range_input_producer的用法

先放关键代码：

#i = tf.train.range_input_producer(epoch_size, shuffle=False).dequeue()
i = tf.train.range_input_producer(NUM_EXPOCHES, num_epochs=1, shuffle=False).dequeue()

处理列表
inputs = tf.slice(array, [i * BATCH_SIZE], [BATCH_SIZE])
处理矩阵
x = tf.strided_slice(data, [0, i * num_steps],
                         [batch_size, (i + 1) * num_steps])

第一行会产生一个队列，队列包含0到NUM_EXPOCHES-1的元素，如果num_epochs有指定，则每个元素只产生num_epochs次，否则循环产生。shuffle指定是否打乱顺序，这里shuffle=False表示队列的元素是按0到NUM_EXPOCHES-1的顺序存储。在Graph运行的时候，每个线程从队列取出元素，假设值为i，然后按照第二行代码切出array的一小段数据作为一个batch。例如NUM_EXPOCHES=3，如果num_epochs=2，则队列的内容是这样子；

0,1,2,0,1,2

队列只有6个元素，这样在训练的时候只能产生6个batch，迭代6次以后训练就结束。

如果num_epochs不指定，则队列内容是这样子：

0,1,2,0,1,2,0,1,2,0,1,2...

队列可以一直生成元素，训练的时候可以产生无限的batch，需要自己控制什么时候停止训练。

1、以inputs = tf.slice(array, [i * BATCH_SIZE], [BATCH_SIZE])为例的代码

数据文件test.txt内容：

1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34，35

main.py的内容

import tensorflow as tf
import codecs

BATCH_SIZE = 6
NUM_EXPOCHES = 5

def input_producer():
    array = codecs.open("test.txt").readlines()
	array = map(lambda line: line.strip(), array)
    i = tf.train.range_input_producer(NUM_EXPOCHES, num_epochs=1, shuffle=False).dequeue()
    inputs = tf.slice(array, [i * BATCH_SIZE], [BATCH_SIZE])
    return inputs
 
class Inputs(object):
    def __init__(self):
        self.inputs = input_producer()
 
def main(*args, **kwargs):
    inputs = Inputs()
    init = tf.group(tf.initialize_all_variables(),
                    tf.initialize_local_variables())
    sess = tf.Session()
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)
    sess.run(init)
    try:
        index = 0
        while not coord.should_stop() and index<10:
            datalines = sess.run(inputs.inputs)
            index += 1
            print("step: %d, batch data: %s" % (index, str(datalines)))
    except tf.errors.OutOfRangeError:
        print("Done traing:-------Epoch limit reached")
    except KeyboardInterrupt:
        print("keyboard interrput detected, stop training")
    finally:
        coord.request_stop()
    coord.join(threads)
    sess.close()
    del sess
	
if __name__ == "__main__":
    main()

输出：

step: 1, batch data: ['1' '2' '3' '4' '5' '6']
step: 2, batch data: ['7' '8' '9' '10' '11' '12']
step: 3, batch data: ['13' '14' '15' '16' '17' '18']
step: 4, batch data: ['19' '20' '21' '22' '23' '24']
step: 5, batch data: ['25' '26' '27' '28' '29' '30']
Done traing:-------Epoch limit reached

如果range_input_producer去掉参数num_epochs=1，则输出：

step: 1, batch data: ['1' '2' '3' '4' '5' '6']
step: 2, batch data: ['7' '8' '9' '10' '11' '12']
step: 3, batch data: ['13' '14' '15' '16' '17' '18']
step: 4, batch data: ['19' '20' '21' '22' '23' '24']
step: 5, batch data: ['25' '26' '27' '28' '29' '30']
step: 6, batch data: ['1' '2' '3' '4' '5' '6']
step: 7, batch data: ['7' '8' '9' '10' '11' '12']
step: 8, batch data: ['13' '14' '15' '16' '17' '18']
step: 9, batch data: ['19' '20' '21' '22' '23' '24']
step: 10, batch data: ['25' '26' '27' '28' '29' '30']

有一点需要注意，文件总共有35条数据，BATCH_SIZE = 6表示每个batch包含6条数据，NUM_EXPOCHES = 5表示产生5个batch，如果NUM_EXPOCHES =6，则总共需要36条数据，就会报如下错误：

InvalidArgumentError (see above for traceback): Expected size[0] in [0, 5], but got 6
	 [[Node: Slice = Slice[Index=DT_INT32, T=DT_STRING, _device="/job:localhost/replica:0/task:0/cpu:0"](Slice/input, Slice/begin/_5, Slice/size)]]

错误信息的意思是35/BATCH_SIZE=5，即NUM_EXPOCHES 的取值能只能在0到5之间。

2、x = tf.strided_slice(data, [0, i * num_steps],

                                      [batch_size, (i + 1) * num_steps])  为例

tf.strided_slice即矩阵切片，参考链接https://www.jianshu.com/p/58aa9c1fb8a9

tf.strided_slice( input_, begin, end ) 提取张量的一部分

1. 一个维度一个维度地看:begin 加 stride,直到二者的和大于等于end
2. [begin,end),左闭右开
3. 清楚各个维度指的是哪部分

4. 返回的张量中,元素的个数:end与begin对应元素做差再相乘,结果取绝对值
   下面以官方的三个示例为例进行解释,t是一个3*2*3的张量

    

 在tensorflow PTB例子中代码：

i = tf.train.range_input_producer(epoch_size, shuffle=False).dequeue()
#tf.strided_slice()是切片。
x = tf.strided_slice(data, [0, i * num_steps],
                         [batch_size, (i + 1) * num_steps])
x.set_shape([batch_size, num_steps])
y = tf.strided_slice(data, [0, i * num_steps + 1],
                         [batch_size, (i + 1) * num_steps + 1])
y.set_shape([batch_size, num_steps])

二、使用 tf.train.range_input_producer()需要开启多线程，tf.train.start_queue_runners。

特别注意：

tf.train.range_input_producer()生成数据队列，必须放在开启多线程之前。

代码：

import reader
import tensorflow as tf

# 数据路径
DATA_PATH = 'simple-examples/data/'

# 读取原始数据
train_data, valid_data, test_data, _ = reader.ptb_raw_data(DATA_PATH)

# 将数据组织成batch大小为4，截断长度为5的数据组，要放在开启多线程之前
batch = reader.ptb_producer(train_data, 4, 5)

with tf.Session() as sess:
    tf.global_variables_initializer().run()

    # 开启多线程
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)

    # 读取前两个batch，其中包括每个时刻的输入和对应的答案，ptb_producer()会自动迭代
    for i in range(2):
        x, y = sess.run(batch)
        print('x:', x)
        print('y:', y)

    # 关闭多线程
    coord.request_stop()
    coord.join(threads)

运行结果如下：

x: [[9970 9971 9972 9974 9975]
 [ 332 7147  328 1452 8595]
 [1969    0   98   89 2254]
 [   3    3    2   14   24]]
y: [[9971 9972 9974 9975 9976]
 [7147  328 1452 8595   59]
 [   0   98   89 2254    0]
 [   3    2   14   24  198]]
x: [[9976 9980 9981 9982 9983]
 [  59 1569  105 2231    1]
 [   0  312 1641    4 1063]
 [ 198  150 2262   10    0]]
y: [[9980 9981 9982 9983 9984]
 [1569  105 2231    1  895]
 [ 312 1641    4 1063    8]
 [ 150 2262   10    0  507]]