在整個機器學習過程中，除了訓練模型外，應該就屬數據預處理過程消耗的精力最多，數據預處理過程需要完成的任務包括數據讀取、過濾、轉換等等。為了將用戶從繁雜的預處理操作中解放處理，更多地將精力放在算法建模上，TensorFlow中提供了data模塊，這一模塊以多種方式提供了數據讀取、數據處理、數據保存等功能。本文重點是data模塊中的Dataset對象。
1 創建¶
對於創建Dataset對象，官方文檔中總結為兩種方式，我將這兩種方式細化后總結為4中方式：
（1）通過Dataset中的range()方法創建包含一定序列的Dataset對象。
range()方法是Dataset內部定義的一個的靜態方法，可以直接通過類名調用。另外，Dataset中的range()方法與Python本身內置的range()方法接受參數形式是一致的，可以接受range(begin)、range(begin, end)、range（begin, end, step）等多種方式傳參。
In [1]:
import tensorflow as tf
import numpy as np
In [2]:
dataset1 = tf.data.Dataset.range(5)
type(dataset1)
Out[2]:
tensorflow.python.data.ops.dataset_ops.RangeDataset
注：RangeDataset是Dataset的一個子類。 Dataset對象屬於可迭代對象， 可通過循環進行遍歷：
In [3]:
for i in dataset1:
print(i)
print(i.numpy())
tf.Tensor(0, shape=(), dtype=int64) 0 tf.Tensor(1, shape=(), dtype=int64) 1 tf.Tensor(2, shape=(), dtype=int64) 2 tf.Tensor(3, shape=(), dtype=int64) 3 tf.Tensor(4, shape=(), dtype=int64) 4
可以看到，range()方法創建的Dataset對象內部每一個元素都以Tensor對象的形式存在，可以通過numpy()方法訪問真實值。
如果你覺得range()方法不夠靈活，功能不夠強大，那么你可以嘗試使用from_generator()方法。from_generator()方法接收一個可調用的生成器函數最為參數，在遍歷from_generator()方法返回的Dataset對象過程中不斷生成新的數據，減少內存占用，這在大數據集中很有用。
In [4]:
def count(stop):
i = 0
while i<stop:
print('第%s次調用……'%i)
yield i
i += 1
In [5]:
dataset2 = tf.data.Dataset.from_generator(count, args=[3], output_types=tf.int32, output_shapes = (), )
In [6]:
a = iter(dataset2)
In [7]:
next(a)
第0次調用……
Out[7]:
<tf.Tensor: id=46, shape=(), dtype=int32, numpy=0>
In [8]:
next(a)
第1次調用……
Out[8]:
<tf.Tensor: id=47, shape=(), dtype=int32, numpy=1>
In [9]:
for i in dataset2:
print(i)
print(i.numpy())
第0次調用…… tf.Tensor(0, shape=(), dtype=int32) 0 第1次調用…… tf.Tensor(1, shape=(), dtype=int32) 1 第2次調用…… tf.Tensor(2, shape=(), dtype=int32) 2
（2）通過接收其他類型的集合類對象創建Dataset對象。這里所說的集合類型對象包含Python內置的list、tuple，numpy中的ndarray等等。這種創建Dataset對象的方法大多通過from_tensors()和from_tensor_slices()兩個方法實現。這兩個方法很常用，重點說一說。
- from_tensors()
from_tensors()方法接受一個集合類型對象作為參數，返回值為一個TensorDataset類型對象，對象內容、shape因傳入參數類型而異。
當接收參數為list或Tensor對象時，返回的情況是一樣的，因為TensorFlow內部會將list先轉為Tensor對象，然后實例化一個Dataset對象：
In [10]:
a = [0,1,2,3,4]
dataset1 = tf.data.Dataset.from_tensors(a)
dataset1_n = tf.data.Dataset.from_tensors(np.array(a))
dataset1_t = tf.data.Dataset.from_tensors(tf.constant(a))
In [11]:
dataset1,next(iter(dataset1))
Out[11]:
(<TensorDataset shapes: (5,), types: tf.int32>, <tf.Tensor: id=67, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4], dtype=int32)>)
In [12]:
dataset1_n,next(iter(dataset1_n))
Out[12]:
(<TensorDataset shapes: (5,), types: tf.int64>, <tf.Tensor: id=73, shape=(5,), dtype=int64, numpy=array([0, 1, 2, 3, 4])>)
In [13]:
dataset1_t,next(iter(dataset1_t))
Out[13]:
(<TensorDataset shapes: (5,), types: tf.int32>, <tf.Tensor: id=79, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4], dtype=int32)>)
多維結構也是一樣的：
In [14]:
a = [0,1,2,3,4]
b = [5,6,7,8,9]
dataset2 = tf.data.Dataset.from_tensors([a,b])
dataset2_n = tf.data.Dataset.from_tensors(np.array([a,b]))
dataset2_t = tf.data.Dataset.from_tensors(tf.constant([a,b]))
In [15]:
dataset2,next(iter(dataset2))
Out[15]:
(<TensorDataset shapes: (2, 5), types: tf.int32>,
<tf.Tensor: id=91, shape=(2, 5), dtype=int32, numpy=
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]], dtype=int32)>)
In [16]:
dataset2_n,next(iter(dataset2_n))
Out[16]:
(<TensorDataset shapes: (2, 5), types: tf.int64>,
<tf.Tensor: id=97, shape=(2, 5), dtype=int64, numpy=
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]])>)
In [17]:
dataset2_t,next(iter(dataset2_t))
Out[17]:
(<TensorDataset shapes: (2, 5), types: tf.int32>,
<tf.Tensor: id=103, shape=(2, 5), dtype=int32, numpy=
array([[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]], dtype=int32)>)
當接收參數為數組就不一樣了，此時Dataset內部內容為一個tuple，tuple的元素是原來tuple元素轉換為的Tensor對象：
In [18]:
a = [0,1,2,3,4]
b = [5,6,7,8,9]
dataset3 = tf.data.Dataset.from_tensors((a,b))
In [19]:
for i in dataset3:
print(type(i))
print(i)
for j in i:
print(j)
<class 'tuple'> (<tf.Tensor: id=112, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4], dtype=int32)>, <tf.Tensor: id=113, shape=(5,), dtype=int32, numpy=array([5, 6, 7, 8, 9], dtype=int32)>) tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int32) tf.Tensor([5 6 7 8 9], shape=(5,), dtype=int32)
- from_tensor_slices()
from_tensor_slices()方法返回一個TensorSliceDataset類對象，TensorSliceDataset對象比from_tensors()方法返回的TensorDataset對象支持更加豐富的操作，例如batch操作等，因此在實際應用中更加廣泛。返回的TensorSliceDataset對象內容、shape因傳入參數類型而異。
當傳入一個list時，時將list中元素逐個轉換為Tensor對象然后依次放入Dataset中，所以Dataset中有多個Tensor對象：
In [20]:
a = [0,1,2,3,4]
dataset1 = tf.data.Dataset.from_tensor_slices(a)
In [21]:
dataset1
Out[21]:
<TensorSliceDataset shapes: (), types: tf.int32>
In [22]:
for i,elem in enumerate(dataset1):
print(i, '-->', elem)
0 --> tf.Tensor(0, shape=(), dtype=int32) 1 --> tf.Tensor(1, shape=(), dtype=int32) 2 --> tf.Tensor(2, shape=(), dtype=int32) 3 --> tf.Tensor(3, shape=(), dtype=int32) 4 --> tf.Tensor(4, shape=(), dtype=int32)
In [23]:
a = [0,1,2,3,4]
b = [5,6,7,8,9]
dataset2 = tf.data.Dataset.from_tensor_slices([a,b])
In [24]:
dataset2
Out[24]:
<TensorSliceDataset shapes: (5,), types: tf.int32>
In [25]:
for i,elem in enumerate(dataset2):
print(i, '-->', elem)
0 --> tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int32) 1 --> tf.Tensor([5 6 7 8 9], shape=(5,), dtype=int32)
當傳入參數為tuple時，會將tuple中各元素轉換為Tensor對象，然后將第一維度對應位置的切片進行重新組合成一個tuple依次放入到Dataset中，所以在返回的Dataset中有多個tuple。這種形式在對訓練集和測試集進行重新組合是非常實用。
In [26]:
a = [0,1,2,3,4]
b = [5,6,7,8,9]
dataset1 = tf.data.Dataset.from_tensor_slices((a,b))
In [27]:
dataset1
Out[27]:
<TensorSliceDataset shapes: ((), ()), types: (tf.int32, tf.int32)>
In [28]:
for i in dataset1:
print(i)
(<tf.Tensor: id=143, shape=(), dtype=int32, numpy=0>, <tf.Tensor: id=144, shape=(), dtype=int32, numpy=5>) (<tf.Tensor: id=145, shape=(), dtype=int32, numpy=1>, <tf.Tensor: id=146, shape=(), dtype=int32, numpy=6>) (<tf.Tensor: id=147, shape=(), dtype=int32, numpy=2>, <tf.Tensor: id=148, shape=(), dtype=int32, numpy=7>) (<tf.Tensor: id=149, shape=(), dtype=int32, numpy=3>, <tf.Tensor: id=150, shape=(), dtype=int32, numpy=8>) (<tf.Tensor: id=151, shape=(), dtype=int32, numpy=4>, <tf.Tensor: id=152, shape=(), dtype=int32, numpy=9>)
In [29]:
c = ['a','b','c','d','e']
dataset3 = tf.data.Dataset.from_tensor_slices((a,b,c))
In [30]:
dataset3
Out[30]:
<TensorSliceDataset shapes: ((), (), ()), types: (tf.int32, tf.int32, tf.string)>
In [31]:
for i in dataset3:
print(i)
(<tf.Tensor: id=162, shape=(), dtype=int32, numpy=0>, <tf.Tensor: id=163, shape=(), dtype=int32, numpy=5>, <tf.Tensor: id=164, shape=(), dtype=string, numpy=b'a'>) (<tf.Tensor: id=165, shape=(), dtype=int32, numpy=1>, <tf.Tensor: id=166, shape=(), dtype=int32, numpy=6>, <tf.Tensor: id=167, shape=(), dtype=string, numpy=b'b'>) (<tf.Tensor: id=168, shape=(), dtype=int32, numpy=2>, <tf.Tensor: id=169, shape=(), dtype=int32, numpy=7>, <tf.Tensor: id=170, shape=(), dtype=string, numpy=b'c'>) (<tf.Tensor: id=171, shape=(), dtype=int32, numpy=3>, <tf.Tensor: id=172, shape=(), dtype=int32, numpy=8>, <tf.Tensor: id=173, shape=(), dtype=string, numpy=b'd'>) (<tf.Tensor: id=174, shape=(), dtype=int32, numpy=4>, <tf.Tensor: id=175, shape=(), dtype=int32, numpy=9>, <tf.Tensor: id=176, shape=(), dtype=string, numpy=b'e'>)
對比總結一下from_generator(）、from_tensor()、from_tensor_slices()這三個方法：
- from_tensors()在形式上與from_tensor_slices()很相似，但其實from_tensors()方法出場頻率上比from_tensor_slices()差太多，因為from_tensor_slices()的功能更加符合實際需求，且返回的TensorSliceDataset對象也提供更多的數據處理功能。from_tensors()方法在接受list類型參數時，將整個list轉換為Tensor對象放入Dataset中，當接受參數為tuple時，將tuple內元素轉換為Tensor對象，然后將這個tuple放入Dataset中。
- from_generator(）方法接受一個可調用的生成器函數作為參數，在遍歷Dataset對象時，通過通用生成器函數繼續生成新的數據供訓練和測試模型使用，這在大數據集合中很實用。
- from_tensor_slices()方法接受參數為list時，將list各元素依次轉換為Tensor對象，然后依次放入Dataset中；更為常見的情況是接受的參數為tuple，在這種情況下，要求tuple中各元素第一維度長度必須相等，from_tensor_slices()方法會將tuple各元素第一維度進行拆解，然后將對應位置的元素進行重組成一個個tuple依次放入Dataset中，這一功能在重新組合數據集屬性和標簽時很有用。另外，from_tensor_slices()方法返回的TensorSliceDataset對象支持batch、shuffle等等功能對數據進一步處理。
（3）通過讀取磁盤中的文件（文本、圖片等等）來創建Dataset。tf.data中提供了TextLineDataset、TFRecordDataset等對象來實現此功能。這部分內容比較多，也比較重要，我打算后續用專門一篇博客來總結這部分內容。
2 功能函數¶
（1）take()
功能：用於返回一個新的Dataset對象，新的Dataset對象包含的數據是原Dataset對象的子集。
參數：
- count：整型，用於指定前count條數據用於創建新的Dataset對象，如果count為-1或大於原Dataset對象的size,則用原Dataset對象的全部數據創建新的對象。
In [32]:
dataset = tf.data.Dataset.range(10)
dataset_take = dataset.take(5)
In [33]:
for i in dataset_take:
print(i)
tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64) tf.Tensor(3, shape=(), dtype=int64) tf.Tensor(4, shape=(), dtype=int64)
（2）batch()
功能：將Dataset中連續的數據分割成批。
參數：
- batch_size：在單個批次中合並的此數據集的連續元素數。
- drop_remainder：如果最后一批的數據量少於指定的batch_size，是否拋棄最后一批，默認為False，表示不拋棄。
In [34]:
dataset = tf.data.Dataset.range(11)
dataset_batch = dataset.batch(3)
In [35]:
for i in dataset_batch:
print(i)
tf.Tensor([0 1 2], shape=(3,), dtype=int64) tf.Tensor([3 4 5], shape=(3,), dtype=int64) tf.Tensor([6 7 8], shape=(3,), dtype=int64) tf.Tensor([ 9 10], shape=(2,), dtype=int64)
In [36]:
dataset_batch = dataset.batch(3,drop_remainder=True)
In [37]:
for i in dataset_batch:
print(i)
tf.Tensor([0 1 2], shape=(3,), dtype=int64) tf.Tensor([3 4 5], shape=(3,), dtype=int64) tf.Tensor([6 7 8], shape=(3,), dtype=int64)
In [38]:
train_x = tf.random.uniform((10,3),maxval=100, dtype=tf.int32)
train_y = tf.range(10)
In [39]:
dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))
In [40]:
for i in dataset.take(3):
print(i)
(<tf.Tensor: id=236, shape=(3,), dtype=int32, numpy=array([81, 53, 85], dtype=int32)>, <tf.Tensor: id=237, shape=(), dtype=int32, numpy=0>) (<tf.Tensor: id=238, shape=(3,), dtype=int32, numpy=array([13, 7, 25], dtype=int32)>, <tf.Tensor: id=239, shape=(), dtype=int32, numpy=1>) (<tf.Tensor: id=240, shape=(3,), dtype=int32, numpy=array([83, 25, 55], dtype=int32)>, <tf.Tensor: id=241, shape=(), dtype=int32, numpy=2>)
In [41]:
dataset_batch = dataset.batch(4)
In [42]:
for i in dataset_batch:
print(i)
(<tf.Tensor: id=250, shape=(4, 3), dtype=int32, numpy=
array([[81, 53, 85],
[13, 7, 25],
[83, 25, 55],
[53, 41, 11]], dtype=int32)>, <tf.Tensor: id=251, shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3], dtype=int32)>)
(<tf.Tensor: id=252, shape=(4, 3), dtype=int32, numpy=
array([[41, 58, 39],
[44, 68, 55],
[52, 34, 22],
[66, 39, 5]], dtype=int32)>, <tf.Tensor: id=253, shape=(4,), dtype=int32, numpy=array([4, 5, 6, 7], dtype=int32)>)
(<tf.Tensor: id=254, shape=(2, 3), dtype=int32, numpy=
array([[73, 8, 20],
[67, 71, 98]], dtype=int32)>, <tf.Tensor: id=255, shape=(2,), dtype=int32, numpy=array([8, 9], dtype=int32)>)
為什么在訓練模型時要將Dataset分割成一個個batch呢？
- 對於小數據集是否使用batch關系不大，但是對於大數據集如果不分割成batch意味着將這個數據集一次性輸入模型中，容易造成內存爆炸。
- 通過並行化提高內存的利用率。就是盡量讓你的GPU滿載運行，提高訓練速度。
- 單個epoch的迭代次數減少了，參數的調整也慢了，假如要達到相同的識別精度，需要更多的epoch。
- 適當Batch Size使得梯度下降方向更加准確。
（3）padded_batch()
功能： batch()的進階版，可以對shape不一致的連續元素進行分批。
參數：
- batch_size：在單個批次中合並的此數據集的連續元素個數。
- padded_shapes：tf.TensorShape或其他描述tf.int64矢量張量對象，表示在批處理之前每個輸入元素的各個組件應填充到的形狀。如果參數中有None，則表示將填充為每個批次中該尺寸的最大尺寸。
- padding_values：要用於各個組件的填充值。默認值0用於數字類型，字符串類型則默認為空字符。
- drop_remainder：如果最后一批的數據量少於指定的batch_size，是否拋棄最后一批，默認為False，表示不拋棄。
In [43]:
dataset = tf.data.Dataset.range(10)
In [44]:
dataset = dataset.map(lambda x: tf.fill([tf.cast(x, tf.int32)], x))
In [45]:
dataset_padded = dataset.padded_batch(4, padded_shapes=(None,))
In [46]:
for batch in dataset_padded:
print(batch.numpy())
print('---------------------')
[[0 0 0] [1 0 0] [2 2 0] [3 3 3]] --------------------- [[4 4 4 4 0 0 0] [5 5 5 5 5 0 0] [6 6 6 6 6 6 0] [7 7 7 7 7 7 7]] --------------------- [[8 8 8 8 8 8 8 8 0] [9 9 9 9 9 9 9 9 9]] ---------------------
In [47]:
dataset_padded = dataset.padded_batch(4, padded_shapes=(10,),padding_values=tf.constant(9,dtype=tf.int64)) # 修改填充形狀和填充元素
In [48]:
for batch in dataset_padded:
print(batch.numpy())
print('---------------------')
[[9 9 9 9 9 9 9 9 9 9] [1 9 9 9 9 9 9 9 9 9] [2 2 9 9 9 9 9 9 9 9] [3 3 3 9 9 9 9 9 9 9]] --------------------- [[4 4 4 4 9 9 9 9 9 9] [5 5 5 5 5 9 9 9 9 9] [6 6 6 6 6 6 9 9 9 9] [7 7 7 7 7 7 7 9 9 9]] --------------------- [[8 8 8 8 8 8 8 8 9 9] [9 9 9 9 9 9 9 9 9 9]] ---------------------
（4）map()
功能： 以dataset中每一位元素為參數執行pap_func()方法，這一功能在數據預處理中修改dataset中元素是很實用。
參數：
- map_func:回調方法。
In [49]:
def change_dtype(t): # 將類型修改為int32
return tf.cast(t,dtype=tf.int32)
In [50]:
dataset = tf.data.Dataset.range(3)
In [51]:
for i in dataset:
print(i)
tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64)
In [52]:
dataset_map = dataset.map(change_dtype)
In [53]:
for i in dataset_map:
print(i)
tf.Tensor(0, shape=(), dtype=int32) tf.Tensor(1, shape=(), dtype=int32) tf.Tensor(2, shape=(), dtype=int32)
map_func的參數必須對應dataset中的元素類型，例如，如果dataset中元素是tuple，map_func可以這么定義：
In [54]:
def change_dtype_2(t1,t2):
return t1/10,tf.cast(t2,dtype=tf.int32)*(-1) # 第一位元素除以10，第二為元素乘以-1
In [55]:
dataset = tf.data.Dataset.from_tensor_slices((tf.range(3),tf.range(3)))
In [56]:
dataset_map = dataset.map(change_dtype_2)
In [57]:
for i in dataset_map:
print(i)
(<tf.Tensor: id=347, shape=(), dtype=float64, numpy=0.0>, <tf.Tensor: id=348, shape=(), dtype=int32, numpy=0>) (<tf.Tensor: id=349, shape=(), dtype=float64, numpy=0.1>, <tf.Tensor: id=350, shape=(), dtype=int32, numpy=-1>) (<tf.Tensor: id=351, shape=(), dtype=float64, numpy=0.2>, <tf.Tensor: id=352, shape=(), dtype=int32, numpy=-2>)
（5）filter()
功能：對Dataset中每一個執行指定過濾方法進行過濾，返回過濾后的Dataset對象
參數：
- predicate：過濾方法，返回值必須為True或False
In [58]:
dataset = tf.data.Dataset.range(5)
In [59]:
def filter_func(t): # 過濾出值為偶數的元素
if t % 2 == 0:
return True
else:
return False
In [60]:
dataset_filter = dataset.filter(filter_func)
In [61]:
for i in dataset_filter:
print(i)
tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64) tf.Tensor(4, shape=(), dtype=int64)
（6）shuffle()
功能：隨機打亂數據
參數：
- buffer_size：緩沖區大小，姑且認為是混亂程度吧，當值為1時，完全不打亂，當值為整個Dataset元素總數時，完全打亂。
- seed：將用於創建分布的隨機種子。
- reshuffle_each_iteration：如果為true，則表示每次迭代數據集時都應進行偽隨機重排，默認為True。
In [62]:
dataset = tf.data.Dataset.range(5)
In [63]:
dataset_s = dataset.shuffle(1)
In [64]:
for i in dataset_s:
print(i)
tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64) tf.Tensor(3, shape=(), dtype=int64) tf.Tensor(4, shape=(), dtype=int64)
In [65]:
dataset_s = dataset.shuffle(5)
In [66]:
for i in dataset_s:
print(i)
tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(4, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64) tf.Tensor(3, shape=(), dtype=int64)
（7）repeat()
功能：對Dataset中的數據進行重復，以創建新的Dataset
參數：
- count：重復次數，默認為None，表示不重復，當值為-1時，表示無限重復。
In [67]:
dataset = tf.data.Dataset.range(3)
In [68]:
dataset_repeat = dataset.repeat(3)
In [69]:
for i in dataset_repeat:
print(i)
tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64) tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64) tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64) tf.Tensor(2, shape=(), dtype=int64)