使用python操作HDF5文件

HDF

Hierarchical Data Format，又稱HDF5

1. 在深度學習中，通常會使用巨量的數據或圖片來訓練網絡。對於如此大的數據集，如果對於每張圖片都單獨從硬盤讀取、預處理、之后再送入網絡進行訓練、驗證或是測試，這樣效率太低。如果將這些圖片都放入一個文件中再進行處理效率會更高。有多種數據模型和庫可完成這種操作，如HDF5和TFRecord。

2. 一個HDF5文件是一種存放兩類對象的容器：dataset和group. Dataset是類似於數組的數據集，而group是類似文件夾一樣的容器，存放dataset和其他group。在使用h5py的時候需要牢記一句話：groups類比詞典，dataset類比Numpy中的數組。

3. 

3. HDF5 文件一般以 .h5 或者 .hdf5 作為后綴名，需要專門的軟件才能打開預覽文件的內容。HDF5 文件結構中有 2 primary objects: Groups 和 Datasets。

4. 每個 dataset 可以分成兩部分: 原始數據 (raw) data values 和 元數據 metadata (a set of data that describes and gives information about other data => raw data)。對於每一個dataset 而言，除了數據本身之外，這個數據集還會有很多的屬性 attribute,。在hdf5中，還同時支持存儲數據集對應的屬性信息，所有的屬性信息的集合就叫做metadata.

5. 

安裝：

pip install h5py

對於數據集需要: 先創建h5文件,再去讀h5文件 將dataset放在group里利用group進行層次嵌套.

f = filename.file得到文件的根目錄
f.create_group("...../group_name")
f.create_dataset("...../dataset_name")

 

一般:

1. HDF5格式文件保存的是 ： Model weights(字典,沒有順序)

2. JSON 和 YAML 格式文件保存的是： Model structure(順序靠json描述)

3. h5格式:可以同時保存weights和structure

利用numpy數據初始化

#還可以直接用np數組給dataset初始化,此時data就涵蓋了shape和dtype,即shape = data.shape,....
arr = np.arange(100)
dset = f.create_dataset("/mydataset1",data = arr)#i4:32位的integer[-2^31,2^31]

 

數據處理上的用途

利用python的文件操作及數組等方式將訓練數據及測試數據集標簽,按數據划分方法,將文件名寫入到python數組,最終將這些處理好的數組寫入hdf5格式文件給dataset初始化.

示例

import h5py
import numpy as np
coco = h5py.File("D:/annot_coco.h5","r")#coco.name == / 根節點
# print(coco)
# print(coco["bndbox"])
#只是遍歷直接相連的一級節點
for name in coco:
    # 本身就是字符串
    print(coco[name])
    print(coco[name][:2])
​
# def printname(name):
#     print(name)
#
#
#
# #遍歷整個coco下的節點
# coco.visit(printname)
#dataset.attrs
#dataset對象可以有自己的屬性, 但所有屬性數據的長度加起來不能超過64K, 包括屬性名字.
​
dset.attrs['length'] = 100
dset.attrs['name'] = 'This is a dataset'
for attr in dset.attrs:
    print attr, ":", dset.attrs[attr]
length : 100
name : This is a dataset

 

注意:

imgname_array = coco["imgname"][:]#不一樣的,這是標准用法,還是要先取到全部,再去索引,否則結果維度不一樣
# imgname_ = coco["imgname"][:1]#軸不會減少
# print(imgname_array.shape)
# print(imgname_)#[1,16]
# print(type(imgname_dataset))
# print(type(imgname_array))
img = imgname_array[0]

 

寫字符串到h5文件

test_h5 = h5py.File("D:/test.h5","w")
imgname = np.fromstring('000000262145.jpg',dtype=np.uint8).astype('float64')#str_imgname------>float64
test_h5 .create_dataset('imgname', data=imgname)#變成f8之后就可以直接往h5中寫了
test_h5.close()
"""
最后得出來的矩陣長度是字符串的長度。---1個字符串的長度就是對應編碼的h5向量的長度
如果想將多個字符串拼成一個大的numpy矩陣，寫到h5文件中，必須先將字符串轉換成相同長度。
通常的做法是在字符串后面補上\x00。
"""

 

從h5數據讀出字符串格式

test_h5 = h5py.File("D:/test.h5","r")
img = test_h5['imgname'][:]
img = img.astype(np.uint8).tostring().decode('ascii')
print(img)
test_h5.close()