tensorflow使用tf.data.Dataset 處理大型數據集問題
更新時間：2022年12月16日 09:11:41 作者：陳麒任
這篇文章主要介紹了tensorflow使用tf.data.Dataset 處理大型數據集問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教
最近深度學習用到的數據集比較大，如果一次性將數據集讀入內存，那服務器是頂不住的，所以需要分批進行讀取，這里就用到了tf.data.Dataset構建數據集：
概括一下，tf.data.Dataset主要有幾個部分最重要：
- 構建生成器函數
- 使用tf.data.Dataset的from_generator函數，通過指定數據類型，數據的shape等參數，構建一個Dataset
- 指定batch_size
- 使用make_one_shot_iterator()函數，構建一個iterator
- 使用上面構建的迭代器開始get_next() 。（必須要有這個get_next()，迭代器才會工作）
一.構建生成器
生成器的要點是要在while True中加入yield，yield的功能有點類似return，有yield才能起到迭代的作用。
我的數據是一個[6047, 6000, 1]的文本數據，我每次迭代返回的shape為[1,6000,1]，要注意的是返回的shape要和構建Dataset時的shape一致，下面會說到。
代碼如下：
def gen():?? ??? ??? ??? ?
?? ??? ?train=pd.read_csv('/home/chenqiren/PycharmProjects/code/test/formal/small_sample/train2.csv', header=None)
? ? ? ? train.fillna(0, inplace = True)
? ? ? ? label_encoder = LabelEncoder().fit(train[6000])
? ? ? ? label = label_encoder.transform(train[6000]) ?
? ? ? ? train = train.drop([6000], axis=1)?
? ? ? ? scaler = StandardScaler().fit(train.values) ? #train.values中的值是csv文件中的那些值， ? ? 這步標準化可以保留
? ? ? ? scaled_train = scaler.transform(train.values)
? ? ? ? #print(scaled_train)
? ? ? ? #拆分訓練集和測試集--------------
? ? ? ? sss=StratifiedShuffleSplit(test_size=0.1, random_state=23)
? ? ? ? for train_index, valid_index in sss.split(scaled_train, label): ? #需要的是數組，train.values得到的是數組
? ? ? ? ? ? X_train, X_valid=scaled_train[train_index], scaled_train[valid_index] ?#https://www.cnblogs.com/Allen-rg/p/9453949.html
? ? ? ? ? ? y_train, y_valid=label[train_index], label[valid_index]
? ? ? ? X_train_r=np.zeros((len(X_train), 6000, 1)) ? #先構建一個框架出來，下面再賦值
? ? ? ? X_train_r[:,: ,0]=X_train[:,0:6000] ? ??
? ??
? ? ? ? X_valid_r=np.zeros((len(X_valid), 6000, 1))
? ? ? ? X_valid_r[:,: ,0]=X_valid[:,0:6000]
? ??
? ? ? ? y_train=np_utils.to_categorical(y_train, 3)
? ? ? ? y_valid=np_utils.to_categorical(y_valid, 3)
? ? ? ??
? ? ? ? leng=len(X_train_r)
? ? ? ? index=0
? ? ? ? while True:
? ? ? ? ? ? x_train_batch=X_train_r[index, :, 0:1]
? ? ? ? ? ? y_train_batch=y_train[index, :]
? ? ? ? ? ? yield (x_train_batch, y_train_batch)
? ? ? ? ? ? index=index+1
? ? ? ? ? ? if index>leng:
? ? ? ? ? ? ? ? break代碼中while True上面的部分是標準化數據的代碼，可以不用看，只需要看 while True中的代碼即可。
x_train_batch, y_train_batch都只是一行的數據，這里是一行一行數據迭代。
二.使用tf.data.Dataset包裝生成器
data=tf.data.Dataset.from_generator(gen_1, (tf.float32, tf.float32), (tf.TensorShape([6000,1]), tf.TensorShape([3]))) data=data.batch(128) iterator=data.make_one_shot_iterator()
這里的tf.TensorShape([6000,1]) 和 tf.TensorShape([3])中的shape要和上面生成器yield返回的數據的shape一致。
data=data.batch(128)是設置batchsize，這里設為128，在運行時，因為我們yield的是一行的數據[1, 6000, 1]，所以將會循環(huán)yield夠128次，得到[128, 6000, 1]，即一個batch，才會開始訓練。iterator=data.make_one_shot_iterator()是構建迭代器，one_shot迭代器人如其名，意思就是數據輸出一次后就丟棄了。
三.獲取生成器返回的數據
x, y=iterator.get_next() x_batch, y_batch=sess.run([x,y])
注意要有get_next()，迭代器才能開始工作。
第二行是run第一行代碼。獲取訓練數據和訓練標簽。
這里做個關于yield的小筆記：
上一次迭代，yield返回了值，然后get_next()開啟了下一次迭代，此時，程序是從yield處開始運行的，也就是說，如果yield后面還有程序，那就會運行yield后面的程序。一直運行的是while True中的程序，沒有運行while True外面的程序。
下面是我寫的總的代碼?？梢圆挥每?。
import os
import keras
import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn.model_selection import train_test_split
from keras.models import Sequential, Model
from keras.layers import Dense, Activation, Flatten, Conv1D, Dropout, MaxPooling1D, GlobalAveragePooling1D
from keras.layers import GlobalAveragePooling2D,BatchNormalization, UpSampling1D, RepeatVector,Reshape
from keras.layers.core import Lambda
from keras.optimizers import SGD, Adam, Adadelta
from keras.utils import np_utils
from keras.applications.inception_resnet_v2 import InceptionResNetV2
from keras.backend import conv3d,reshape, shape, categorical_crossentropy, mean, square
from keras.applications.vgg16 import VGG16
from keras.layers import Input,LSTM
from keras import regularizers
from keras.utils import multi_gpu_model
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
os.environ["CUDA_VISIBLE_DEVICES"]="2"
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)
keep_prob = tf.placeholder("float")
# 設置session
KTF.set_session(session )
#-----生成訓練數據-----------------------------------------------
def gen_1():
train=pd.read_csv('/home/chenqiren/PycharmProjects/code/test/formal/small_sample/train2.csv', header=None)
train.fillna(0, inplace = True)
label_encoder = LabelEncoder().fit(train[6000])
label = label_encoder.transform(train[6000])
train = train.drop([6000], axis=1)
scaler = StandardScaler().fit(train.values) #train.values中的值是csv文件中的那些值， 這步標準化可以保留
scaled_train = scaler.transform(train.values)
#print(scaled_train)
#拆分訓練集和測試集--------------
sss=StratifiedShuffleSplit(test_size=0.1, random_state=23)
for train_index, valid_index in sss.split(scaled_train, label): #需要的是數組，train.values得到的是數組
X_train, X_valid=scaled_train[train_index], scaled_train[valid_index] #https://www.cnblogs.com/Allen-rg/p/9453949.html
y_train, y_valid=label[train_index], label[valid_index]
X_train_r=np.zeros((len(X_train), 6000, 1)) #先構建一個框架出來，下面再賦值
#開始賦值
#https://stackoverflow.com/questions/43290202/python-typeerror-unhashable-type-slice-for-encoding-categorical-data
X_train_r[:,: ,0]=X_train[:,0:6000]
X_valid_r=np.zeros((len(X_valid), 6000, 1))
X_valid_r[:,: ,0]=X_valid[:,0:6000]
y_train=np_utils.to_categorical(y_train, 3)
y_valid=np_utils.to_categorical(y_valid, 3)
leng=len(X_train_r)
index=0
while True:
x_train_batch=X_train_r[index, :, 0:1]
y_train_batch=y_train[index, :]
yield (x_train_batch, y_train_batch)
index=index+1
if index>leng:
break
#----生成測試數據--------------------------------------
def gen_2():
train=pd.read_csv('/home/chenqiren/PycharmProjects/code/test/formal/small_sample/train2.csv', header=None)
train.fillna(0, inplace = True)
label_encoder = LabelEncoder().fit(train[6000])
label = label_encoder.transform(train[6000])
train = train.drop([6000], axis=1)
scaler = StandardScaler().fit(train.values) #train.values中的值是csv文件中的那些值， 這步標準化可以保留
scaled_train = scaler.transform(train.values)
#print(scaled_train)
#拆分訓練集和測試集--------------
sss=StratifiedShuffleSplit(test_size=0.1, random_state=23)
for train_index, valid_index in sss.split(scaled_train, label): #需要的是數組，train.values得到的是數組
X_train, X_valid=scaled_train[train_index], scaled_train[valid_index] #https://www.cnblogs.com/Allen-rg/p/9453949.html
y_train, y_valid=label[train_index], label[valid_index]
X_train_r=np.zeros((len(X_train), 6000, 1)) #先構建一個框架出來，下面再賦值
#開始賦值
#https://stackoverflow.com/questions/43290202/python-typeerror-unhashable-type-slice-for-encoding-categorical-data
X_train_r[:,: ,0]=X_train[:,0:6000]
X_valid_r=np.zeros((len(X_valid), 6000, 1))
X_valid_r[:,: ,0]=X_valid[:,0:6000]
y_train=np_utils.to_categorical(y_train, 3)
y_valid=np_utils.to_categorical(y_valid, 3)
leng=len(X_valid_r)
index=0
while True:
x_test_batch=X_valid_r[index, :, 0:1]
y_test_batch=y_valid[index, :]
yield (x_test_batch, y_test_batch)
index=index+1
if index>leng:
break
#---------------------------------------------------------------------
def custom_mean_squared_error(y_true, y_pred):
return mean(square(y_pred - y_true))
def custom_categorical_crossentropy(y_true, y_pred):
return categorical_crossentropy(y_true, y_pred)
def loss_func(y_loss, x_loss):
return categorical_crossentropy + 0.05 * mean_squared_error
#建立模型
with tf.device('/cpu:0'):
inputs1=tf.placeholder(tf.float32, shape=(None,6000,1))
x1=LSTM(128, return_sequences=True)(inputs1)
encoded=LSTM(64 ,return_sequences=True)(x1)
print('encoded shape:',shape(encoded))
#decode
x1=LSTM(128, return_sequences=True)(encoded)
decoded=LSTM(1, return_sequences=True,name='decode')(x1)
#classify
labels=tf.placeholder(tf.float32, shape=(None,3))
x2=Conv1D(20,kernel_size=50, strides=2, activation='relu' )(encoded) #步數論文中未提及,第一層
x2=MaxPooling1D(pool_size=2, strides=1)(x2)
x2=Conv1D(20,kernel_size=50, strides=2, activation='relu')(x2) #第二層
x2=MaxPooling1D(pool_size=2, strides=1)(x2)
x2=Dropout(0.25)(x2)
x2=Conv1D(24,kernel_size=30, strides=2, activation='relu')(x2) #第三層
x2=MaxPooling1D(pool_size=2, strides=1)(x2)
x2=Dropout(0.25)(x2)
x2=Conv1D(24,kernel_size=30, strides=2, activation='relu')(x2) #第四層
x2=MaxPooling1D(pool_size=2, strides=1)(x2)
x2=Dropout(0.25)(x2)
x2=Conv1D(24,kernel_size=10, strides=2, activation='relu')(x2) #第五層
x2=MaxPooling1D(pool_size=2, strides=1)(x2)
x2=Dropout(0.25)(x2)
x2=Dense(192)(x2) #第一個全連接層
x2=Dense(192)(x2) #第二個全連接層
x2=Flatten()(x2)
x2=Dense(3,activation='softmax', name='classify')(x2)
def get_accuracy(x2, labels):
current = tf.cast(tf.equal(tf.argmax(x2, 1), tf.argmax(labels, 1)), 'float')
accuracy = tf.reduce_mean(current)
return accuracy
#實例化獲取準確率函數
getAccuracy = get_accuracy(x2, labels)
#定義損失函數
all_loss=tf.reduce_mean(categorical_crossentropy(x2 , labels) + tf.convert_to_tensor(0.5)*square(decoded-inputs1))
train_option=tf.train.AdamOptimizer(0.01).minimize(all_loss)
#-----------------------------------------
#生成訓練數據
data=tf.data.Dataset.from_generator(gen_1, (tf.float32, tf.float32), (tf.TensorShape([6000,1]), tf.TensorShape([3])))
data=data.batch(128)
iterator=data.make_one_shot_iterator()
#生成測試數據
data2=tf.data.Dataset.from_generator(gen_2, (tf.float32, tf.float32), (tf.TensorShape([6000,1]), tf.TensorShape([3])))
data2=data2.batch(128)
iterator2=data2.make_one_shot_iterator()
#-----------------------------------------
with tf.Session() as sess:
init=tf.global_variables_initializer()
sess.run(init)
i=-1
for k in range(20):
#-----------------------------------------
x, y=iterator.get_next()
x_batch, y_batch=sess.run([x,y])
print('batch shape:',x_batch.shape, y_batch.shape)
#-----------------------------------------
if k%2==0:
print('第',k,'輪')
x3=sess.run(x2, feed_dict={inputs1:x_batch, labels:y_batch })
dc=sess.run(decoded, feed_dict={inputs1:x_batch})
accuracy=sess.run(getAccuracy, feed_dict={x2:x3, labels:y_batch, keep_prob: 1.0})
loss=sess.run(all_loss, feed_dict={x2:x3, labels:y_batch, inputs1:x_batch, decoded:dc})
print("step(s): %d ----- accuracy: %g -----loss: %g" % (i, accuracy, loss))
sess.run(train_option, feed_dict={inputs1:x_batch, labels:y_batch, keep_prob: 0.5})
x, y=iterator2.get_next()
x_test_batch, y_test_batch=sess.run([x,y])
print('batch shape:',x_test_batch.shape, y_test_batch.shape)
x_test=sess.run(x2, feed_dict={inputs1:x_test_batch, labels:y_test_batch })
print ("test accuracy %f"%getAccuracy.eval(feed_dict={x2:x_test, labels:y_test_batch, keep_prob: 1.0}))
總結
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
相關文章
給大家詳細講解了python中列表和元組的區(qū)別，需要的朋友參考一下。2017-12-12
這篇文章主要介紹了python實戰(zhàn)之百度智能云使人像動漫化,文中有非常詳細的代碼示例,對正在學習python的小伙伴們有很好地幫助,需要的朋友可以參考下2021-04-04
這篇文章主要為大家詳細介紹了如何使用Python實現PDF頁面設置操作,例如旋轉頁面和調整頁面順序,感興趣的小伙伴可以跟隨小編一起學習一下2024-04-04
今天小編就為大家分享一篇AUC計算方法與Python實現代碼，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-02-02
Python中os.system()、subprocess.run()、call()、check_output()的使用
這篇文章主要介紹了Python中os.system()、subprocess.run()、call()、check_output()的使用案例,本文結合實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2023-07-07
這篇文章主要介紹了Python查找兩個有序列表中位數的方法,結合實例形式分析了Python基于歸并算法遍歷、計算有序列表相關操作技巧,需要的朋友可以參考下2018-04-04
這篇文章主要介紹了python生成指定長度的隨機密碼示例,密碼使用數字和字母組合，大家參考使用吧2014-01-01
pyforms是一個基于Python的GUI框架,它提供了一種簡單而強大的方式來構建圖形用戶界面,本文將介紹pyforms的使用場景、優(yōu)勢以及常用的Python代碼案例,需要的小伙伴可以了解下2024-01-01
為python爬蟲docker鏡像添加nodejs環(huán)境實現方法
這篇文章主要為大家介紹了為python爬蟲docker鏡像添加nodejs環(huán)境實現方法，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-09-09
venv 是 Python 里的一個標準工具,它的主要功能是幫助用戶管理和控制虛擬環(huán)境,venv 的使用方法其實非常簡單,下面我將詳細介紹如何創(chuàng)建虛擬環(huán)境,如何激活虛擬環(huán)境,以及如何退出虛擬環(huán)境的操作步驟,需要的朋友可以參考下2024-03-03