Dataset API是TensorFlow 1.3版本中引入的一個新的模塊，主要服務于數(shù)據(jù)讀取，構(gòu)建輸入數(shù)據(jù)的pipeline。

此前，在TensorFlow中讀取數(shù)據(jù)一般有兩種方法：

1、使用placeholder讀內(nèi)存中的數(shù)據(jù)

使用queue讀硬盤中的數(shù)據(jù)（關(guān)于這種方式，可以參考我之前的一篇文章：十圖詳解TensorFlow數(shù)據(jù)讀取機制）
相Dataset API同時支持從內(nèi)存和硬盤的讀取，相比之前的兩種方法在語法上更加簡潔易懂。此外，如果想要用到TensorFlow新出的Eager模式，就必須要使用Dataset API來讀取數(shù)據(jù)。

本文就來為大家詳細地介紹一下Dataset API的使用方法（包括在非Eager模式和Eager模式下兩種情況）。

2、Dataset API的導入

在TensorFlow 1.3中，Dataset API是放在contrib包中的：

tf.contrib.data.Dataset

而在TensorFlow 1.4中，Dataset API已經(jīng)從contrib包中移除，變成了核心API的一員：

tf.data.Dataset

下面的示例代碼將以TensorFlow 1.4版本為例，如果使用TensorFlow 1.3的話，需要進行簡單的修改（即加上contrib）。

基本概念：Dataset與Iterator
讓我們從基礎的類來了解Dataset API。參考Google官方給出的Dataset API中的類圖：

在初學時，我們只需要關(guān)注兩個最重要的基礎類：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。

先以最簡單的，Dataset的每一個元素是一個數(shù)字為例：

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]))

這樣，我們就創(chuàng)建了一個dataset，這個dataset中含有5個元素，分別是1.0, 2.0, 3.0, 4.0, 5.0。

如何將這個dataset中的元素取出呢？方法是從Dataset中示例化一個Iterator，然后對Iterator進行迭代。

在非Eager模式下，讀取上述dataset中元素的方法為：

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))

對應的輸出結(jié)果應該就是從1.0到5.0。語句iterator = dataset.make_one_shot_iterator()從dataset中實例化了一個Iterator，這個Iterator是一個“one shot iterator”，即只能從頭到尾讀取一次。one_element = iterator.get_next()表示從iterator里取出一個元素。由于這是非Eager模式，所以one_element只是一個Tensor，并不是一個實際的值。調(diào)用sess.run(one_element)后，才能真正地取出一個值。

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(shù)據(jù)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(shù)據(jù)是否讀取完，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() as sess:try:while True:print(sess.run(one_element))except tf.errors.OutOfRangeError:print("end!")

在Eager模式中，創(chuàng)建Iterator的方式有所不同。是通過tfe.Iterator(dataset)的形式直接創(chuàng)建Iterator并迭代。迭代時可以直接取出值，不需要使用sess.run()：

import tensorflow.contrib.eager as tfe tfe.enable_eager_execution()dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))for one_element in tfe.Iterator(dataset):print(one_element)

從內(nèi)存中創(chuàng)建更復雜的Dataset
之前我們用tf.data.Dataset.from_tensor_slices創(chuàng)建了一個最簡單的Dataset：

dataset = tf.data.Dataset.from_tensor_slices(np.array([1.0, 2.0, 3.0, 4.0, 5.0]))

其實，tf.data.Dataset.from_tensor_slices的功能不止如此，它的真正作用是切分傳入Tensor的第一個維度，生成相應的dataset。

例如：

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

傳入的數(shù)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。

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, “l(fā)abel”: label_tensor}的形式，這樣處理起來更方便。

tf.data.Dataset.from_tensor_slices同樣支持創(chuàng)建這種dataset，例如我們可以讓每一個元素是一個詞典：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))} )

這時函數(shù)會分別切分”a”中的數(shù)值以及”b”中的數(shù)值，最終dataset中的一個元素就是類似于{“a”: 1.0, “b”: [0.9, 0.1]}的形式。

利用tf.data.Dataset.from_tensor_slices創(chuàng)建每個元素是一個tuple的dataset也是可以的：

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))) )

對Dataset中的元素做變換
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(shù)據(jù)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

下面就分別進行介紹。

（1）map

---

map接收一個函數(shù)，Dataset中的每個元素都會被當作這個函數(shù)的輸入，并將函數(shù)返回值作為新的Dataset，如我們可以對dataset中每個元素的值加1：

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) # 2.0, 3.0, 4.0, 5.0, 6.0

（2）batch

---

batch就是將多個元素組合成batch，如下面的程序?qū)ataset中的每個元素組成了大小為32的batch：

dataset = dataset.batch(32)

（3）shuffle

---

shuffle的功能為打亂dataset中的元素，它有一個參數(shù)buffersize，表示打亂時使用的buffer的大小：

dataset = dataset.shuffle(buffer_size=10000)

（4）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(shù)據(jù)是一個epoch，使用repeat(5)就可以將之變成5個epoch：

dataset = dataset.repeat(5)

如果直接調(diào)用repeat()的話，生成的序列就會無限重復下去，沒有結(jié)束，因此也不會拋出tf.errors.OutOfRangeError異常：

dataset = dataset.repeat()

讀入磁盤圖片與對應label
講到這里，我們可以來考慮一個簡單，但同時也非常常用的例子：讀入磁盤中的圖片和圖片相應的label，并將其打亂，組成batch_size=32的訓練樣本。在訓練時重復10個epoch。

對應的程序為（從官方示例程序修改而來）：

# 函數(shù)的功能時將filename對應的圖片文件讀進來，并縮放到統(tǒng)一的大小 def _parse_function(filename, label):image_string = tf.read_file(filename)image_decoded = tf.image.decode_image(image_string)image_resized = tf.image.resize_images(image_decoded, [28, 28])return image_resized, label# 圖片文件的列表 filenames = tf.constant(["/var/data/image1.jpg", "/var/data/image2.jpg", ...]) # label[i]就是圖片filenames[i]的label labels = tf.constant([0, 37, ...])# 此時dataset中的一個元素是(filename, label) dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))# 此時dataset中的一個元素是(image_resized, label) dataset = dataset.map(_parse_function)# 此時dataset中的一個元素是(image_resized_batch, label_batch) dataset = dataset.shuffle(buffersize=1000).batch(32).repeat(10)

在這個過程中，dataset經(jīng)歷三次轉(zhuǎn)變：

運行dataset = tf.data.Dataset.from_tensor_slices((filenames, labels))后，dataset的一個元素是(filename, label)。filename是圖片的文件名，label是圖片對應的標簽。
之后通過map，將filename對應的圖片讀入，并縮放為28x28的大小。此時dataset中的一個元素是(image_resized, label)
最后，dataset.shuffle(buffersize=1000).batch(32).repeat(10)的功能是：在每個epoch內(nèi)將圖片打亂組成大小為32的batch，并重復10次。最終，dataset中的一個元素是(image_resized_batch, label_batch)，image_resized_batch的形狀為(32, 28, 28, 3)，而label_batch的形狀為(32, )，接下來我們就可以用這兩個Tensor來建立模型了。
Dataset的其它創(chuàng)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(chuàng)建Dataset的方式：

tf.data.TextLineDataset()：這個函數(shù)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(shù)來讀入CSV文件。
tf.data.FixedLengthRecordDataset()：這個函數(shù)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(jié)數(shù)record_bytes的內(nèi)容。通常用來讀取以二進制形式保存的文件，如CIFAR10數(shù)據(jù)集就是這種形式。
tf.data.TFRecordDataset()：顧名思義，這個函數(shù)是用來讀TFRecord文件的，dataset中的每一個元素就是一個TFExample。
它們的詳細使用方法可以參閱文檔：Module: tf.data

更多類型的Iterator
在非Eager模式下，最簡單的創(chuàng)建Iterator的方法就是通過dataset.make_one_shot_iterator()來創(chuàng)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必須要在使用前通過sess.run()來初始化。使用initializable iterator，可以將placeholder代入Iterator中，這可以方便我們通過參數(shù)快速定義新的Iterator。一個簡單的initializable iterator使用示例：

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)assert i == value

此時的limit相當于一個“參數(shù)”，它規(guī)定了Dataset中數(shù)的“上限”。

initializable iterator還有一個功能：讀入較大的數(shù)組。

在使用tf.data.Dataset.from_tensor_slices(array)時，實際上發(fā)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(shù)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(shù)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})

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(jié)
本文主要介紹了Dataset API的基本架構(gòu)：Dataset類和Iterator類，以及它們的基礎使用方法。

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(gòu)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(shù)據(jù)就是含有值的Tensor，方便調(diào)試。
?

總結(jié)

以上是生活随笔為你收集整理的TensorFlow全新的数据读取方式：Dataset API入门教程的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。