Tensorflow高效讀取數據的方法

最新上傳的mcnn中有完整的數據讀寫示例，可以參考。

關於Tensorflow讀取數據，官網給出了三種方法：

• 供給數據(Feeding)： 在TensorFlow程序運行的每一步， 讓Python代碼來供給數據。
• 從文件讀取數據： 在TensorFlow圖的起始， 讓一個輸入管線從文件中讀取數據。
• 預加載數據： 在TensorFlow圖中定義常量或變量來保存所有數據(僅適用於數據量比較小的情況)。

對於數據量較小而言，可能一般選擇直接將數據加載進內存，然后再分batch輸入網絡進行訓練（tip:使用這種方法時，結合yield 使用更為簡潔，大家自己嘗試一下吧，我就不贅述了）。但是，如果數據量較大，這樣的方法就不適用了，因為太耗內存，所以這時最好使用tensorflow提供的隊列queue，也就是第二種方法 從文件讀取數據。對於一些特定的讀取，比如csv文件格式，官網有相關的描述，在這兒我介紹一種比較通用，高效的讀取方法（官網介紹的少），即使用tensorflow內定標准格式——TFRecords

太長不看，直接看源碼請猛戳我的github，記得加星哦。

---

TFRecords

TFRecords其實是一種二進制文件，雖然它不如其他格式好理解，但是它能更好的利用內存，更方便復制和移動，並且不需要單獨的標簽文件（等會兒就知道為什么了）… …總而言之，這樣的文件格式好處多多，所以讓我們用起來吧。

TFRecords文件包含了tf.train.Example 協議內存塊(protocol buffer)(協議內存塊包含了字段 Features)。我們可以寫一段代碼獲取你的數據， 將數據填入到Example協議內存塊(protocol buffer)，將協議內存塊序列化為一個字符串， 並且通過tf.python_io.TFRecordWriter 寫入到TFRecords文件。

從TFRecords文件中讀取數據， 可以使用tf.TFRecordReader的tf.parse_single_example解析器。這個操作可以將Example協議內存塊(protocol buffer)解析為張量。

接下來，讓我們開始讀取數據之旅吧~

生成TFRecords文件

我們使用tf.train.Example來定義我們要填入的數據格式，然后使用tf.python_io.TFRecordWriter來寫入。

import os import tensorflow as tf from PIL import Image cwd = os.getcwd() ''' 此處我加載的數據目錄如下： 0 -- img1.jpg img2.jpg img3.jpg ... 1 -- img1.jpg img2.jpg ... 2 -- ... 這里的0， 1， 2...就是類別，也就是下文中的classes classes是我根據自己數據類型定義的一個列表，大家可以根據自己的數據情況靈活運用 ... ''' writer = tf.python_io.TFRecordWriter("train.tfrecords") for index, name in enumerate(classes): class_path = cwd + name + "/" for img_name in os.listdir(class_path): img_path = class_path + img_name img = Image.open(img_path) img = img.resize((224, 224)) img_raw = img.tobytes() #將圖片轉化為原生bytes example = tf.train.Example(features=tf.train.Features(feature={ "label": tf.train.Feature(int64_list=tf.train.Int64List(value=[index])), 'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw])) })) writer.write(example.SerializeToString()) #序列化為字符串 writer.close()

關於Example Feature的相關定義和詳細內容，我推薦去官網查看相關API。

基本的，一個Example中包含Features，Features里包含Feature（這里沒s）的字典。最后，Feature里包含有一個FloatList， 或者ByteList，或者Int64List

就這樣，我們把相關的信息都存到了一個文件中，所以前面才說不用單獨的label文件。而且讀取也很方便。

接下來是一個簡單的讀取小例子：

for serialized_example in tf.python_io.tf_record_iterator("train.tfrecords"): example = tf.train.Example() example.ParseFromString(serialized_example) image = example.features.feature['image'].bytes_list.value label = example.features.feature['label'].int64_list.value # 可以做一些預處理之類的 print image, label

使用隊列讀取

一旦生成了TFRecords文件，為了高效地讀取數據，TF中使用隊列（queue）讀取數據。

def read_and_decode(filename): #根據文件名生成一個隊列 filename_queue = tf.train.string_input_producer([filename]) reader = tf.TFRecordReader() _, serialized_example = reader.read(filename_queue) #返回文件名和文件 features = tf.parse_single_example(serialized_example, features={ 'label': tf.FixedLenFeature([], tf.int64), 'img_raw' : tf.FixedLenFeature([], tf.string), }) img = tf.decode_raw(features['img_raw'], tf.uint8) img = tf.reshape(img, [224, 224, 3]) img = tf.cast(img, tf.float32) * (1. / 255) - 0.5 label = tf.cast(features['label'], tf.int32) return img, label

之后我們可以在訓練的時候這樣使用

img, label = read_and_decode("train.tfrecords") #使用shuffle_batch可以隨機打亂輸入 img_batch, label_batch = tf.train.shuffle_batch([img, label], batch_size=30, capacity=2000, min_after_dequeue=1000) init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) threads = tf.train.start_queue_runners(sess=sess) for i in range(3): val, l= sess.run([img_batch, label_batch]) #我們也可以根據需要對val， l進行處理 #l = to_categorical(l, 12) print(val.shape, l)

至此，tensorflow高效從文件讀取數據差不多完結了。

恩？等等…什么叫差不多？對了，還有幾個注意事項：

第一，tensorflow里的graph能夠記住狀態（state），這使得TFRecordReader能夠記住tfrecord的位置，並且始終能返回下一個。而這就要求我們在使用之前，必須初始化整個graph，這里我們使用了函數tf.initialize_all_variables()來進行初始化。

第二，tensorflow中的隊列和普通的隊列差不多，不過它里面的operation和tensor都是符號型的（symbolic），在調用sess.run()時才執行。

第三， TFRecordReader會一直彈出隊列中文件的名字，直到隊列為空。

---

總結

1. 生成tfrecord文件
2. 定義record reader解析tfrecord文件
3. 構造一個批生成器（batcher）
4. 構建其他的操作
5. 初始化所有的操作
6. 啟動QueueRunner

例子代碼請戳我的github，如果覺得對你有幫助的話可以加個星哦。