如何在TensorFlow中高效使用數據集

選自TowardsDataScience

作者：Francesco Zuppichini

機器之心編譯

處理並使用數據集是深度學習任務非常重要的組成部分。在本文中，作者 Francesco Zuppichini 將教你使用 TensorFlow 的內建管道向模型傳遞數據的方法，從此遠離「feed-dict」。本文內容已更新至最新的 TensorFlow 1.5 版本。

相關代碼地址：https://github.com/FrancescoSaverioZuppichini/Tensorflow-Dataset-Tutorial/blob/master/dataset_tutorial.ipynb

經常使用神經網路框架的人都會知道，feed-dict 是向 TensorFlow 傳遞信息最慢的方式，應該盡量避免使用。向模型提供數據的正確方式是使用輸入管道，這樣才能保證 GPU 在工作時永遠無需等待新的數據。

幸運的是，TensorFlow 擁有一個名為 Dataset 的內建 API，它可以讓我們的工作更加簡單。在本教程中，我們將介紹搭建內建管道，讓數據高效傳遞給模型的方法。

本文將解釋 Dataset 的基本原理，包含大多數常用案例。

概述

使用 Dataset 需要遵循三個步驟：

載入數據：為數據創建一個數據集實例。

創建一個迭代器：通過使用創建的數據集構建一個迭代器來對數據集進行迭代。

使用數據：通過使用創建的迭代器，我們可以找到可傳輸給模型的數據集元素。

載入數據

我們首先需要一些可以放入數據集的數據。

從 Numpy 導入

這是一種常見情況：我們擁有一個 numpy 數組，想把它傳遞給 TensorFlow。

我們當然也可以傳遞多個 numpy 數組，一個典型的例子是：當我們已有被分配多個特徵和標籤的數據時……

從張量導入

當然，我們也可以從張量中初始化自己的數據集。

從佔位符導入

當我們希望動態地修改 Dataset 中的數據時，這就會很有用，稍後會有詳述。

從生成器導入

我們還可以從生成器中初始化 Dataset，這種方式在擁有不同長度的元素的數組時有意義（例如一個序列）。

在這種情況下，你還需要告訴 Dataset 數據的類型和形狀以創建正確的張量。

創建迭代器

我們已經學會創建數據集了，但如何從中獲取數據呢？我們必須使用迭代器（Iterator），它會幫助我們遍曆數據集中的內容並找到真值。有四種類型的迭代器。

One Shot 迭代器

這是最簡單的迭代器，使用第一個示例：

隨後你需要調用 get_next() 來獲取包含這些數據的張量

我們可以運行 el 來查看它們的值。

可初始化的迭代器

如果我們想要創建一個動態的數據集，在其中可以實時更改數據源，我們可以用佔位符創建一個數據集。隨後我們可以使用通常的 feed-dict 機制來初始化佔位符。這一過程可用「可初始化迭代器（initializable iterator）」來完成。使用上一節中的第三個例子：

這次我們調用 make_initializable_iterator。然後，我們在 sess 中運行 initializer 操作，以傳遞數據，這種情況下數據是隨機的 numpy 數組。

假設現在我們有了訓練數據集和測試數據集，那麼常見的代碼如下：

然後，我們訓練該模型，並在測試數據集上對其進行測試，測試可以通過訓練後再次初始化迭代器來完成。

可重新初始化的迭代器

這個概念和之前的類似，即在數據之間動態地轉換。但並不是將新數據饋送到相同的數據集，而是在數據集之間轉換。如前，我們需要一個訓練集和一個測試集。

我們可以創建兩個數據集：

接下來是要展示的技巧，即創建一個通用的迭代器：

以及兩個初始化運算：

和之前一樣，我們得到了下一個元素：

現在，我們可以直接使用會話運行這兩個初始化運算。總結起來我們得到：

可饋送的迭代器

老實說，我並不認為這個有什麼用。基本上，它是用迭代器之間的轉換取代了數據集之間的轉換，從而得到如一個來自 make_one_shot_iterator() 的迭代器，以及一個來自 make_initializable_iterator() 的迭代器。

使用數據

在前述例子中，我們利用會話輸出 Dataset 中下一個元素的值。

為了將數據傳遞給模型，我們只需要傳遞從 get_next() 生成的張量。在下面的代碼中，我們有一個包含了兩個 numpy 數組的 Dataset，這裡用了和第一節一樣的例子。注意，我們需要將.random.sample 封裝到另一個 numpy 數組，以增加一個維度，從而將數據進行分批。

然後，和往常一樣，我們創建一個迭代器：

創建一個模型，即一個簡單的神經網路：

我們直接使用來自 iter.get_next() 的張量作為第一層的輸入和損失函數的標籤。總結起來我們得到：

輸出：

一些有用的技巧

數據分批

通常數據分批是一件令人痛苦的事情，但通過 Dataset API，我們可以利用 batch(BATCH_SIZE) 方法自動地將數據集按設定的批量大小進行分批。默認批量大小為 1。在下面的示例代碼中，我們使用的批量大小為 4。

輸出：

repeat

使用.repeat()，我們可以指定數據集被迭代的次數。如果不傳輸任何參數，循環將永久進行。通常來說，永久運行循環和在標準循環中直接控制 epoch 的數量可以得到不錯的結果。

shuffle

我們可以利用 shuffle() 進行數據集 shuffle，默認是在每一個 epoch 中將數據集 shuffle 一次。記住：數據集 shuffle 是避免過擬合的重要方法。

我們還可以設置參數 buffer_size，下一個元素將從該固定大小的緩存中均勻地選取。例如：

第一次運行的輸出：

第二次運行的輸出：

這樣，數據集 shuffle 就完成了。你還可以設置 seed 參數。

MAP

你可以使用 map 方法對數據集中的所有成員應用定製化函數。下列示例中，我們把每個元素乘 2：

輸出：

其他資源

TensorFlow 數據集教程：https://www.tensorflow.org/programmers_guide/datasets

數據集文檔：https://www.tensorflow.org/api_docs/python/tf/data/Dataset

結論

該數據集 API 使我們快速、穩健地創建優化輸入流程來訓練、評估和測試我們的模型。本文中，我們了解了很多可以常見操作。

本文為機器之心編譯，轉載請聯繫本公眾號獲得授權。

------------------------------------------------

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！