Tensorflow关于Dataset的一般操作

Dataset封装了很好的关于数据集的一些基本操作，在这里做一下总结。该对象的路径是：tensorflow.data.Dataset（这是1.4版本之后的）很大程度上参考了这篇博客

同时再推荐一个特别好的博客：https://towardsdatascience.com/how-to-use-dataset-in-tensorflow-c758ef9e4428

Tensoflow的核心数据就是tensor。可以这么理解，想要让tensoflow的数据正确的“流动”起来，那么就需要正确的匹配张量的维数。再给计算图模型填充数据的时候，使用字典的方式是最慢的，应该避免这种操作；正确的做法是把数据组合成张量，进行操作，这也是tf.data.Dataset的核心功能之一。

tf.data.Dataset.from_tensor_slices

该函数是核心函数之一，它的作用是把给定的元组、列表和张量等数据进行特征切片。切片的范围是从最外层维度开始的。如果有多个特征进行组合，那么一次切片是把每个组合的最外层的数据切出。。直接看代码理解。

假设我们现在有两组数据，分别是特征和标签，为了简化说明问题，我们假设每两个特征对应一个标签。之后把特征和标签组合成一个tuple，那么我们的想法是让每个标签都恰好对应2个特征，而且像直接切片，比如：[f11, f12] [t1]。f11表示第一个数据的第一个特征，f12表示第1个数据的第二个特征，t1表示第一个数据标签。那么tf.data.Dataset.from_tensor_slices就是做了这件事情：

import tensorflow as tf
import numpy as np

features, labels = (np.random.sample((5, 2)),  # 模拟5组数据，每组数据2个标签
                    np.random.sample((5, 1)))  # 模拟5组特征，注意两者的维数必须匹配

print((features, labels))  #  输出下组合的数据
data = tf.data.Dataset.from_tensor_slices((features, labels))
print(data)  # 输出张量的信息

结果输出：

(array([[0.94509483, 0.19160528],
       [0.49125608, 0.93146317],
       [0.19331899, 0.59950161],
       [0.8338232 , 0.71606446],
       [0.23264883, 0.71179252]]), array([[0.48340206],
       [0.55842171],
       [0.30450086],
       [0.45078316],
       [0.40497981]]))

tf.data.Dataset.make_one_shot_iterator

生成一个迭代器，用于便利所有的数据。一般用法如下：

tf.data.Dataset.make_one_shot_iterator.get_next()

每次列举出下一个数据集。
实例：

import tensorflow as tf
import numpy as np

data = tf.data.Dataset.from_tensor_slices(
    np.array([1, 2, 3, 4, 5]))

element = data.make_one_shot_iterator().get_next()  # 建立迭代器，并进行迭代操作

with tf.Session() as sess:
    try:
        while True:
            print(sess.run(element))
    except tf.errors.OutOfRangeError:
        print("Out range !")

以字典的方式处理数据

import tensorflow as tf
import numpy as np

a = np.array(['a', 'b', 'c', 'd', 'e'])
b = np.array([1, 2, 3, 4, 5])

# 分别切分数据，以字典的形式存储
data = tf.data.Dataset.from_tensor_slices(
    {
        "label1": a,
        "label2": b
    }
)

it=data.make_one_shot_iterator().get_next()

with tf.Session() as sess:
    try:
        while True:
            print(sess.run(it))
    except tf.errors.OutOfRangeError:
        print("out of range")

输出结果

{'label2': 1, 'label1': b'a'}
{'label2': 2, 'label1': b'b'}
{'label2': 3, 'label1': b'c'}
{'label2': 4, 'label1': b'd'}
{'label2': 5, 'label1': b'e'}

常用的数据集操作

map函数

与python中的map作用类似，对输入的数据进行预处理操作。

import tensorflow as tf
import numpy as np

a = np.array([1, 2, 3, 4, 5])

data = tf.data.Dataset.from_tensor_slices(a)
# 注意在这里是返回的集合，原来的集合不变
data = data.map(lambda x: x ** 2)

it = data.make_one_shot_iterator().get_next()

with tf.Session() as sess:
    try:
        while True:
            print(sess.run(it))
    except tf.errors.OutOfRangeError:
        print("out of range")

batch函数

batch就是将多个元素组合成batch，如下面的程序将dataset中的每个元素组成了大小为32的batch：

dataset = dataset.batch(32)

shuffle函数

shuffle的功能为打乱dataset中的元素，它有一个参数buffersize，表示打乱时使用的buffer的大小：

dataset = dataset.shuffle(buffer_size=10000)

repeat函数

repeat的功能就是将整个序列重复多次，主要用来处理机器学习中的epoch，假设原先的数据是一个epoch，使用repeat(5)就可以将之变成5个epoch：

dataset = dataset.repeat(5)  # 重复5次数据

注意，必须指明重复的次数，否则会无限期的重复下去。

一种常规的用法：

dataset.shuffle(1000).repeat(10).batch(32)

把数据进行1000个为单位的乱序，重复10次，生成批次为32的batch

tf.data.TextLineDataset

这个函数的输入是一个文件的列表，输出是一个dataset。dataset中的每一个元素就对应了文件中的一行。可以使用这个函数来读入CSV文件。一般操作方式：

tf.data.TextLineDataset(file_path).skip(n)

读取文件，同时跳过前n行。