轉自https://www.cnblogs.com/hellcat/p/8569651.html

Dataset有兩個重要的類：Dataset和Iterator。

Dataset可以看作是相同類型“元素”的有序列表。在實際使用時，單個“元素”可以是向量，也可以是字符串、圖片，甚至是tuple或者dict。

迭代器對象實例化(非Eager模式下)：

iterator = dataset.make_one_shot_iterator()

one_element = iterator.get_next()

綜合起來效果如下：

import tensorflow as tf import numpy as npdataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0])) iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session() as sess:for i in range(5):print(sess.run(one_element))

輸出：1.0? 2.0? 3.0? 4.0? 5.0

讀取結束異常：

如果一個dataset中元素被讀取完了，再嘗試sess.run(one_element)的話，就會拋出tf.errors.OutOfRangeError異常，這個行為與使用隊列方式讀取數據的行為是一致的。

在實際程序中，可以在外界捕捉這個異常以判斷數據是否讀取完，綜合以上三點請參考下面的代碼：

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!")

輸出：1.0? 2.0? 3.0? 4.0? 5.0 end!

高維數據集使用

tf.data.Dataset.from_tensor_slices真正作用是切分傳入Tensor的第一個維度，生成相應的dataset，即第一維表明數據集中數據的數量，之后切分batch等操作都以第一維為基礎。

dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))

傳入的數值是一個矩陣，它的形狀為(5, 2)，tf.data.Dataset.from_tensor_slices就會切分它形狀上的第一個維度，最后生成的dataset中一個含有5個元素，每個元素的形狀是(2, )，即每個元素是矩陣的一行。

dataset = tf.data.Dataset.from_tensor_slices(np.random.uniform(size=(5, 2)))iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!") [0.09787406 0.71672957] [0.25681324 0.81974072] [0.35186046 0.39362398] [0.75228199 0.6534702 ] [0.39695169 0.9341708 ] end!

字典使用

在實際使用中，我們可能還希望Dataset中的每個元素具有更復雜的形式，如每個元素是一個Python中的元組，或是Python中的詞典。例如，在圖像識別問題中，一個元素可以是{“image”: image_tensor, “label”: label_tensor}的形式，這樣處理起來更方便，

注意，image_tensor、label_tensor和上面的高維向量一致，第一維表示數據集中數據的數量。相較之下，字典中每一個key值可以看做數據的一個屬性，value則存儲了所有數據的該屬性值。

dataset = tf.data.Dataset.from_tensor_slices({"a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]), "b": np.random.uniform(size=(5, 2))})iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!") {'a': 1.0, 'b': array([0.31721037, 0.33378767])} {'a': 2.0, 'b': array([0.99221946, 0.65894961])} {'a': 3.0, 'b': array([0.98405468, 0.11478854])} {'a': 4.0, 'b': array([0.95311317, 0.57432678])} {'a': 5.0, 'b': array([0.46067428, 0.19716722])} end!

?

復雜的tuple組合數據

類似的，可以使用組合的特征進行拼接：

dataset = tf.data.Dataset.from_tensor_slices((np.array([1.0, 2.0, 3.0, 4.0, 5.0]), np.random.uniform(size=(5, 2))) )iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!") (1.0, array([6.55877282e-04, 6.63244735e-01])) (2.0, array([0.04756927, 0.44968581])) (3.0, array([0.97841076, 0.06465231])) (4.0, array([0.46639246, 0.39146086])) (5.0, array([0.61085016, 0.61609538])) end!

四、數據集處理方法

Dataset支持一類特殊的操作：Transformation。一個Dataset通過Transformation變成一個新的Dataset。通常我們可以通過Transformation完成數據變換，打亂，組成batch，生成epoch等一系列操作。

常用的Transformation有：

• map
• batch
• shuffle
• repeat

map

和python中的map類似，map接收一個函數，Dataset中的每個元素都會被當作這個函數的輸入，并將函數返回值作為新的Dataset：

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))dataset = dataset.map(lambda x: x + 1) # <-----iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!")

輸出：2.0? 3.0? 4.0? 5.0? 6.0? end!

注意map函數可以使用num_parallel_calls參數加速(第五部分有介紹)。

batch

batch就是將多個元素組合成batch，如上所說，按照輸入元素第一個維度：

dataset = tf.data.Dataset.from_tensor_slices({"a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]), "b": np.random.uniform(size=(5, 2))})dataset = dataset.batch(2) # <-----iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!") {'a': array([1., 2.]), 'b': array([[0.87466134, 0.21519021], [0.6123372 , 0.95722733]])} {'a': array([3., 4.]), 'b': array([[0.76964374, 0.22445015], [0.08313089, 0.60531841]])} {'a': array([5.]), 'b': array([[0.37901654, 0.3955096 ]])} end!

shuffle

shuffle的功能為打亂dataset中的元素，它有一個參數buffersize，表示打亂時使用的buffer的大小，建議舍的不要太小，一般是1000：

dataset = tf.data.Dataset.from_tensor_slices({"a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]), "b": np.random.uniform(size=(5, 2))})dataset = dataset.shuffle(buffer_size=5) # <-----iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!") {'a': 3.0, 'b': array([0.82048268, 0.39821839])} {'a': 4.0, 'b': array([0.42775421, 0.36749283])} {'a': 1.0, 'b': array([0.09588742, 0.01954797])} {'a': 2.0, 'b': array([0.10992948, 0.24416772])} {'a': 5.0, 'b': array([0.15447616, 0.09005545])} end!

repeat

repeat的功能就是將整個序列重復多次，主要用來處理機器學習中的epoch，假設原先的數據是一個epoch，使用repeat(2)就可以將之變成2個epoch：

dataset = tf.data.Dataset.from_tensor_slices({"a": np.array([1.0, 2.0, 3.0, 4.0, 5.0]), "b": np.random.uniform(size=(5, 2))})dataset = dataset.repeat(2) # <-----iterator = dataset.make_one_shot_iterator() one_element = iterator.get_next() with tf.Session(config=config) as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!") {'a': 1.0, 'b': array([0.85180201, 0.1703507 ])} {'a': 2.0, 'b': array([0.37874819, 0.81303628])} {'a': 3.0, 'b': array([0.99560094, 0.56446562])} {'a': 4.0, 'b': array([0.86341794, 0.69984075])} {'a': 5.0, 'b': array([0.85026424, 0.74761098])} {'a': 1.0, 'b': array([0.85180201, 0.1703507 ])} {'a': 2.0, 'b': array([0.37874819, 0.81303628])} {'a': 3.0, 'b': array([0.99560094, 0.56446562])} {'a': 4.0, 'b': array([0.86341794, 0.69984075])} {'a': 5.0, 'b': array([0.85026424, 0.74761098])} end!

注意，如果直接調用repeat()的話，生成的序列就會無限重復下去，沒有結束，因此也不會拋出tf.errors.OutOfRangeError異常。

更多的Dataset創建方法

除了tf.data.Dataset.from_tensor_slices外，目前Dataset API還提供了另外三種創建Dataset的方式：

• tf.data.TextLineDataset()：這個函數的輸入是一個文件的列表，輸出是一個dataset。dataset中的每一個元素就對應了文件中的一行。可以使用這個函數來讀入CSV文件。
• tf.data.FixedLengthRecordDataset()：這個函數的輸入是一個文件的列表和一個record_bytes，之后dataset的每一個元素就是文件中固定字節數record_bytes的內容。通常用來讀取以二進制形式保存的文件，如CIFAR10數據集就是這種形式。
• tf.data.TFRecordDataset()：顧名思義，這個函數是用來讀TFRecord文件的，dataset中的每一個元素就是一個TFExample。

更多的Iterator創建方法

在非Eager模式下，最簡單的創建Iterator的方法就是通過dataset.make_one_shot_iterator()來創建一個one shot iterator。

除了這種one shot iterator外，還有三個更復雜的Iterator，即：

• initializable iterator
• reinitializable iterator
• feedable iterator

initializable iterator方法要在使用前通過sess.run()來初始化，使用initializable iterator，可以將placeholder代入Iterator中，實現更為靈活的數據載入，實際上占位符引入了dataset對象創建中，我們可以通過feed來控制數據集合的實際情況。

limit = tf.placeholder(dtype=tf.int32, shape=[])dataset = tf.data.Dataset.from_tensor_slices(tf.range(start=0, limit=limit))iterator = dataset.make_initializable_iterator() next_element = iterator.get_next()with tf.Session() as sess:sess.run(iterator.initializer, feed_dict={limit: 10})for i in range(10):value = sess.run(next_element)print(value)assert i == value

輸出：0 1 2 3 4 5 6 7 8 9

initializable iterator還有一個功能：讀入較大的數組。

在使用tf.data.Dataset.from_tensor_slices(array)時，實際上發生的事情是將array作為一個tf.constants保存到了計算圖中。當array很大時，會導致計算圖變得很大，給傳輸、保存帶來不便。這時，我們可以用一個placeholder取代這里的array，并使用initializable iterator，只在需要時將array傳進去，這樣就可以避免把大數組保存在圖里，示例代碼為（來自官方例程）：

# 從硬盤中讀入兩個Numpy數組 with np.load("/var/data/training_data.npy") as data:features = data["features"]labels = data["labels"]features_placeholder = tf.placeholder(features.dtype, features.shape) labels_placeholder = tf.placeholder(labels.dtype, labels.shape)dataset = tf.data.Dataset.from_tensor_slices((features_placeholder, labels_placeholder)) iterator = dataset.make_initializable_iterator() sess.run(iterator.initializer, feed_dict={features_placeholder: features,labels_placeholder: labels})

可見，在上面程序中，feed也遵循著類似字典一樣的規則，創建兩個占位符(keys)，給data_holder去feed數據文件，給label_holder去feed標簽文件。

reinitializable iterator和feedable iterator相比initializable iterator更復雜，也更加少用，如果想要了解它們的功能，可以參閱官方介紹，這里就不再贅述了。

總結

在非Eager模式下，Dataset中讀出的一個元素一般對應一個batch的Tensor，我們可以使用這個Tensor在計算圖中構建模型。

在Eager模式下，Dataset建立Iterator的方式有所不同，此時通過讀出的數據就是含有值的Tensor，方便調試。

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的tf.data详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。