tensorflow学习笔记（四十二）：输入流水线

tensorflow 如何读取数据

tensorflow有三种把数据放入计算图中的方式:

• 通过feed_dict
• 通过文件名读取数据:一个输入流水线 在计算图的开始部分从文件中读取数据
• 把数据预加载到一个常量或者变量中

第一个和第三个都很简单,本文主要介绍的是第二种.
考虑一个场景:我们有大量的数据,无法一次导入内存,那我们一次就只能导入几个nimi-batch,然后进行训练,然后再导入几个mini-batch然后再进行训练.可能你会想,为什么我们不能在训练的时候,并行的导入下次要训练的几个mini-batch呢?幸运的是,tensorflow已经提供了这个机制.也许你还会问,既然你可以在训练前个mini-batch的时候把要训练的下几个mini-batch导进来,那么内存是足够将两次的mini-batch都导入进来的,为什么我们不直接把两次的mini-batch都导入呢,占满整个内存.实际上,这种方法,相比之前所述的流水线似的方法,还是慢的.

现在来看tensorflow给我们提供了什么

Queue

Queue,队列,用来存放数据(跟Variable似的),tensorflow中的Queue中已经实现了同步机制,所以我们可以放心的往里面添加数据还有读取数据.如果Queue中的数据满了,那么en_queue操作将会阻塞,如果Queue是空的,那么dequeue操作就会阻塞.在常用环境中,一般是有多个en_queue线程同时像Queue中放数据,有一个dequeue操作从Queue中取数据.一般来说enqueue线程就是准备数据的线程,dequeue线程就是训练数据的线程.

Coordinator(协调者)

Coordinator就是用来帮助多个线程同时停止.线程组需要一个Coordinator来协调它们之间的工作.

# Thread body: loop until the coordinator indicates a stop was requested.# If some condition becomes true, ask the coordinator to stop.#将coord传入到线程中,来帮助它们同时停止工作def MyLoop(coord):  while not coord.should_stop():    ...do something...    if ...some condition...:      coord.request_stop()# Main thread: create a coordinator.coord = tf.train.Coordinator()# Create 10 threads that run 'MyLoop()'threads = [threading.Thread(target=MyLoop, args=(coord,)) for i in xrange(10)]# Start the threads and wait for all of them to stop.for t in threads:  t.start()coord.join(threads)

QueueRunner

QueueRunner创建多个线程对Queue进行enqueue操作.它是一个op.这些线程可以通过上面所述的Coordinator来协调它们同时停止工作.

example = ...ops to create one example...# Create a queue, and an op that enqueues examples one at a time in the queue.queue = tf.RandomShuffleQueue(...)enqueue_op = queue.enqueue(example)#当enqueue_many中的数量多余`Queue`中剩余的数量时,会阻塞#init = q.enqueue_many(([1.2,2.1,3.3],))# Create a training graph that starts by dequeuing a batch of examples.inputs = queue.dequeue_many(batch_size)train_op = ...use 'inputs' to build the training part of the graph...

# Create a queue runner that will run 4 threads in parallel to enqueue# examples.#定义了四个`enqueue`线程,但是还没有执行qr = tf.train.QueueRunner(queue, [enqueue_op] * 4)# Launch the graph.sess = tf.Session()# Create a coordinator, launch the queue runner threads.coord = tf.train.Coordinator()#执行 enqueue线程,像queue中放数据enqueue_threads = qr.create_threads(sess, coord=coord, start=True)# Run the training loop, controlling termination with the coordinator.for step in xrange(1000000):    if coord.should_stop():        break    sess.run(train_op)# When done, ask the threads to stop.coord.request_stop()# And wait for them to actually do it.coord.join(enqueue_threads)

有了这些基础,我们来看一下tensorflow的input-pipeline

tensorflow 输入流水线

我们先梳理一些之前说的东西.Queue是一个队列,QueueRunner用来创建多个线程对Queue进行enqueue操作.Coordinator可用来协调QueueRunner创建出来的线程共同停止工作.

下面来看tensorflow的输入流水线.

1. 准备文件名
2. 创建一个Reader从文件中读取数据
3. 定义文件中数据的解码规则
4. 解析数据

即：（文件名 -> reader -> decoder）

从文件里读数据,读完了,就换另一个文件.文件名放在string_input_producer中.
下面的代码是来自官网的一个示例

import tensorflow as tf#一个Queue,用来保存文件名字.对此Queue,只读取,不dequeuefilename_queue = tf.train.string_input_producer(["file0.csv", "file1.csv"])#用来从文件中读取数据, LineReader,每次读一行reader = tf.TextLineReader()key, value = reader.read(filename_queue)# Default values, in case of empty columns. Also specifies the type of the# decoded result.record_defaults = [[1], [1], [1], [1], [1]]col1, col2, col3, col4, col5 = tf.decode_csv(    value, record_defaults=record_defaults)features = tf.stack([col1, col2, col3, col4])with tf.Session() as sess:  # Start populating the filename queue.  coord = tf.train.Coordinator()  #在调用run或eval执行读取之前，必须  #用tf.train.start_queue_runners来填充队列  threads = tf.train.start_queue_runners(coord=coord)  for i in range(10):    # Retrieve a single instance:    example, label = sess.run([features, col5])    print(example, label)  coord.request_stop()  coord.join(threads)

我们来一步步解析它,

tf.train.string_input_producer([“file0.csv”, “file1.csv”])

先来看第一个APItf.train.string_input_producer(["file0.csv", "file1.csv"]),看一下里面的代码怎么实现的.在追到input_producer时,我们会看到下面这些代码.

q = data_flow_ops.FIFOQueue(capacity=capacity,                                dtypes=[input_tensor.dtype.base_dtype],                                shapes=[element_shape],                                shared_name=shared_name, name=name)enq = q.enqueue_many([input_tensor])queue_runner.add_queue_runner(    queue_runner.QueueRunner(        q, [enq], cancel_op=cancel_op))if summary_name is not None:  summary.scalar(summary_name,                 math_ops.cast(q.size(), dtypes.float32) * (1. / capacity))return q

看到这,我们就很清楚tf.train.string_input_producer(["file0.csv", "file1.csv"])到底干了啥了:

1. 创建一个Queue
2. 创建一个enqueue_op
3. 使用QueueRunner创建一个线程来执行enqueue_op,并把QueueRunner放入collection中
4. 返回创建的Queue

如今文件名已经用一个Queue管理好了,下一步就是如何从文件中读数据与解析数据了.

定义数据解析OP

reader = tf.TextLineReader() #创建一个读取数据的对象key, value = reader.read(filename_queue)# 开始读取数据

对读取的一个数据进行解析,然后进行一些预处理

record_defaults = [[1], [1], [1], [1], [1]]col1, col2, col3, col4, col5 = tf.decode_csv(    value, record_defaults=record_defaults)

解析完数据之后,我们就获得了一个样本的data和label Tensor.

现在我们就想了,能否通过Queue机制,利用多线程准备好batch数据,然后我们通过dequeue来获得一个mini-batch的样本呢?这个 tensorflow也给出了解决方案.

如何使用mini-batch

#定义数据的读取与解析规则def read_my_file_format(filename_queue):  reader = tf.SomeReader()  key, record_string = reader.read(filename_queue)  example, label = tf.some_decoder(record_string)  processed_example = some_processing(example)  return processed_example, labeldef input_pipeline(filenames, batch_size, num_epochs=None):  filename_queue = tf.train.string_input_producer(      filenames, num_epochs=num_epochs, shuffle=True)  example, label = read_my_file_format(filename_queue)  # min_after_dequeue defines how big a buffer we will randomly sample  #   from -- bigger means better shuffling but slower start up and more  #   memory used.  # capacity must be larger than min_after_dequeue and the amount larger  #   determines the maximum we will prefetch.  Recommendation:  #   min_after_dequeue + (num_threads + a small safety margin) * batch_size  #dequeue后的所剩数据的最小值  min_after_dequeue = 10000  #queue的容量  capacity = min_after_dequeue + 3 * batch_size  example_batch, label_batch = tf.train.shuffle_batch(      [example, label], batch_size=batch_size, capacity=capacity,      min_after_dequeue=min_after_dequeue)  return example_batch, label_batch

这里面重要的一个方法就是tf.train.shuffle_batch,它所干的事情有:

1. 创建一个RandomShuffleQueue用来保存样本
2. 使用QueueRunner创建多个enqueue线程向Queue中放数据
3. 创建一个dequeue_many OP
4. 返回dequeue_many OP

然后我们就可以使用dequeue出来的mini-batch来训练网络了.

tf.train.Feature(..)与tf.FixedLenFeature() 的对应关系

tfrecords 制作和解码时候,API接口是有一些对应关系的, 下面来看一下这些对应关系.

#制作时期tf.train.Feature(int64_list=tf.train.Int64List(value=[1.0]))#解码时期tf.FixedLenFeature([],tf.int64)  # 返回 1.0tf.FixedLenFeature([1],tf.int64) # 返回 [1.0]#对于之前的制作代码,这两种解码策略都是可以的,只不过返回的不同.#制作时期tf.train.Feature(int64_list=tf.train.Int64List(value=[1.0, 2.0]))#解码时期tf.FixedLenFeature([2],tf.int64) # 返回[1.0, 2.0]#对于bytes,制作时期tf.train.Feature(bytes_list=tf.train.BytesList(value=[bytestring]))#解码时期tf.FixedLenFeature([],tf.string)tf.FixedLenFeature([1],tf.string)# 如果在制作过程中, value 的长度是变化的话,解码的时候是需要用tf.VarLenFeature(dtype)了# 上述只是说 value的长度变化, 而不是说 bytestring 的大小变化,如果bytestring变化的话,是不需要担心的,# 一个例子就是,如果制作tfrecords的图片大小是变化的,这时候改变的只是bytestring的大小,但是value的长度# 还是1,这时候用FixedLenFeature解码是可以正确还原数据的.

tf.train.FloatList 保存的是 float32 还是 float64 ： 是 float32。