TensorFlow基础3：数据读取的三种方式

‘在讲述在TensorFlow上的数据读取方式之前，有必要了解一下TensorFlow的系统架构，如下图所示：

TensorFlow的系统架构分为两个部分：

1. 前端系统：提供编程模型，负责构造计算图；
2. 后端系统：提供运行时环境，负责执行计算图。

在处理数据的过程当中，由于现在的硬件性能的极大提升，数值计算过程可以通过加强硬件的方式来改善，因此数据读取（即IO)往往会成为系统运行性能的瓶颈。在TensorFlow框架中提供了三种数据读取方式：

• Preloaded data: 预加载数据
• Feeding: placeholder, feed_dict 由占位符代替数据，运行时填入数据
• Reading from file: 从文件中直接读取

以上三种读取方式各有自己的特点，在了解这些特点或区别之前，需要知道TensorFlow是如何进行工作的。

TF的核心是用C++写的，这样的好处是运行快，缺点是调用不灵活。而Python恰好相反，所以结合两种语言的优势。涉及计算的核心算子和运行框架是用C++写的，并提供API给Python。Python调用这些API，设计训练模型(Graph)，再将设计好的Graph给后端去执行。简而言之，Python的角色是Design，C++是Run。

1. Preload data: constant 预加载数据

特点：数据直接嵌入graph， 由graph传入session中运行

import tensorflow as tf#设计graphx = tf.constant([1,2,3], name='x')y = tf.constant([2,3,4], name='y')z = tf.add(x,y, name='z')#打开一个session，计算zwith tf.Session() as sess:    print(sess.run(z))

运行结果如下：

在设计Graph的时候，x和y就被定义成了两个有值的列表，在计算z的时候直接取x1和x2的值。

2.Feeding: placeholder, feed_dict

特点：由占位符代替数据，运行时填入数据

import tensorflow as tf#设计graph，用占位符代替x = tf.placeholder(tf.int16)y = tf.placeholder(tf.int16)z = tf.add(x,y, name='z')#打开一个sessionwith tf.Session() as sess:    #创建数据    xs = [1,2,3]    ys = [2,3,4]    #运行session,用feed_dict来将创建的数据传递进占位符    print(sess.run(z, feed_dict={x: xs, y: ys}))

运行结果如下：

在这里x, y只是占位符，没有具体的值，那么运行的时候去哪取值呢？这时候就要用到sess.run()中的feed_dict参数，将Python产生的数据喂给后端，并计算z。

3.Reading From File：直接从文件中读取

前两种方法很方便，但是遇到大型数据的时候就会很吃力，即使是Feeding，中间环节的增加也是不小的开销，比如数据类型转换等等。最优的方案就是在Graph定义好文件读取的方法，让TF自己去从文件中读取数据，并解码成可使用的样本集。

这种直接从文件中读取数据的方式需要设计成Queue的方式才能较好的解决IO瓶颈的问题。
Queue机制有如下三个特点：

• producer-consumer pattern(生产消费模式)
• 独立于主线程执行
• 异步IO: reader.read(queue) tf.train.batch()

在上图中，首先由一个单线程把文件名堆入队列，两个Reader同时从队列中取文件名并读取数据，Decoder将读出的数据解码后堆入样本队列，最后单个或批量取出样本（图中没有展示样本出列）。我们这里通过三段代码逐步实现上图的数据流，这里我们不使用随机，让结果更清晰。

文件准备

$ echo -e "Alpha1,A1\nAlpha2,A2\nAlpha3,A3" > A.csv  $ echo -e "Bee1,B1\nBee2,B2\nBee3,B3" > B.csv  $ echo -e "Sea1,C1\nSea2,C2\nSea3,C3" > C.csv  $ cat A.csv  Alpha1,A1  Alpha2,A2  Alpha3,A3  

单个Reader，单个样本

import tensorflow as tf  # 生成一个先入先出队列和一个QueueRunner  filenames = ['A.csv', 'B.csv', 'C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  # 定义Reader  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  # 定义Decoder  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  # 运行Graph  with tf.Session() as sess:      coord = tf.train.Coordinator()  #创建一个协调器，管理线程      threads = tf.train.start_queue_runners(coord=coord)  #启动QueueRunner, 此时文件名队列已经进队。      for i in range(10):          print example.eval()   #取样本的时候，一个Reader先从文件名队列中取出文件名，读出数据，Decoder解析后进入样本队列。      coord.request_stop()      coord.join(threads)  # outpt  Alpha1  Alpha2  Alpha3  Bee1  Bee2  Bee3  Sea1  Sea2  Sea3  Alpha1  

单个Reader，多个样本

import tensorflow as tf  filenames = ['A.csv', 'B.csv', 'C.csv'] ## filenames = tf.train.match_filenames_once('.\data\*.csv') filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  # 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。Decoder解后数据会进入这个队列，再批量出队。  # 虽然这里只有一个Reader，但可以设置多线程，相应增加线程数会提高读取速度，但并不是线程越多越好。  example_batch, label_batch = tf.train.batch(        [example, label], batch_size=5)  with tf.Session() as sess:      coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)      for i in range(10):          print example_batch.eval()      coord.request_stop()      coord.join(threads)  # output  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  # ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']  # ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']  # ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']  # ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']  # ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']  # ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']  # ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']  # ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  

多Reader，多个样本

import tensorflow as tf  filenames = ['A.csv', 'B.csv', 'C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  record_defaults = [['null'], ['null']]  example_list = [tf.decode_csv(value, record_defaults=record_defaults)                    for _ in range(2)]  # Reader设置为2  # 使用tf.train.batch_join()，可以使用多个reader，并行读取数据。每个Reader使用一个线程。  example_batch, label_batch = tf.train.batch_join(        example_list, batch_size=5)  with tf.Session() as sess:      coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)      for i in range(10):          print example_batch.eval()      coord.request_stop()      coord.join(threads)  # output  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  # ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']  # ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']  # ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']  # ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']  # ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']  # ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']  # ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']  # ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  

tf.train.batch与tf.train.shuffle_batch'数是单个Reader读取，但是可以多线程。tf.train.batch_join'和tf.train.shuffle_batch_join可设置多Reader读取，每个Reader使用一个线程。至于两种方法的效率，单Reader时，2个线程就达到了速度的极限。多Reader时，2个Reader就达到了极限。所以并不是线程越多越快，甚至更多的线程反而会使效率下降。

迭代控制

filenames = ['A.csv', 'B.csv', 'C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False, num_epochs=3)  # num_epoch: 设置迭代数  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  record_defaults = [['null'], ['null']]  example_list = [tf.decode_csv(value, record_defaults=record_defaults)                    for _ in range(2)]  example_batch, label_batch = tf.train.batch_join(        example_list, batch_size=5)  init_local_op = tf.initialize_local_variables()  with tf.Session() as sess:      sess.run(init_local_op)   # 初始化本地变量       coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)      try:          while not coord.should_stop():              print example_batch.eval()      except tf.errors.OutOfRangeError:          print('Epochs Complete!')      finally:          coord.request_stop()      coord.join(threads)      coord.request_stop()      coord.join(threads)  # output  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  # ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']  # ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']  # ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']  # ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']  # Epochs Complete!  

在迭代控制中，记得添加 tf.initialize_local_variables()，官网教程没有说明，但是如果不初始化，运行就会报错。

参考博客：http://honggang.io/2016/08/19/tensorflow-data-reading/