文件读取流程
学习目标
- 目标
- 说明TensorFlow文件读取的流程
- 应用
- 无
有四种获取数据到TensorFlow程序的方法:
- tf.dataAPI:轻松构建复杂的输入管道。(优选方法,在新版本当中)
- QueueRunner:基于队列的输入管道从TensorFlow图形开头的文件中读取数据。
- Feeding:运行每一步时,Python代码提供数据。
- 预加载数据:TensorFlow图中的常量或变量包含所有数据(对于小数据集)。
1、文件读取流程
- 第一阶段将生成文件名来读取它们并将它们排入文件名队列。
- 第二阶段对于文件名的队列,进行出队列实例,并且实行内容的解码
- 第三阶段重新入新的队列,这将是新的样本队列。
注:这些操作需要启动运行这些排队操作的线程,以便我们的训练循环可以将队列中的内容入队出队操作。
1.1 第一阶段
我们称之为构造文件队列,将需要读取的文件装入到一个固定的队列当中
- tf.train.string_input_producer(string_tensor,shuffle=True)
- string_tensor:含有文件名+路径的1阶张量
- num_epochs:过几遍数据,默认无限过数据
- return 文件队列
1.2、第二阶段
这里需要从队列当中读取文件内容,并且进行解码操作。关于读取内容会有一定的规则
1.2.1 读取文件内容
TensorFlow默认每次只读取一个样本,具体到文本文件读取一行、二进制文件读取指定字节数(最好一个样本)、图片文件默认读取一张图片、TFRecords默认读取一个example
- tf.TextLineReader:
- 阅读文本文件逗号分隔值(CSV)格式,默认按行读取
- return:读取器实例
- tf.WholeFileReader:用于读取图片文件
- tf.TFRecordReader:
- 读取TFRecords文件
- tf.FixedLengthRecordReader:二进制文件
- 要读取每个记录是固定数量字节的二进制文件
- record_bytes:整型,指定每次读取(一个样本)的字节数
- return:读取器实例
1、他们有共同的读取方法:read(file_queue):从队列中指定数量内容返回一个Tensors元组(key文件名字,value默认的内容(一个样本))
2、由于默认只会读取一个样本,所以通常想要进行批处理。使用tf.train.batch或tf.train.shuffle_batch进行多样本获取,便于训练时候指定每批次多个样本的训练
1.2.2 内容解码
对于读取不通的文件类型,内容需要解码操作,解码成统一的Tensor格式
- tf.decode_csv:解码文本文件内容
- tf.decode_raw:解码二进制文件内容
- 与tf.FixedLengthRecordReader搭配使用,二进制读取为uint8格式
- tf.image.decode_jpeg(contents)
- 将JPEG编码的图像解码为uint8张量
- return:uint8张量,3-D形状[height, width, channels]
- tf.image.decode_png(contents)
- 将PNG编码的图像解码为uint8张量
- return:张量类型,3-D形状[height, width, channels]
解码阶段,默认所有的内容都解码成tf.uint8格式,如果需要后续的类型处理继续处理
1.3 第三阶段
在解码之后,我们可以直接获取默认的一个样本内容了,但是如果想要获取多个样本,这个时候需要结合管道的末尾进行批处理
- tf.train.batch(tensors,batch_size,num_threads = 1,capacity = 32,name=None)
- 读取指定大小(个数)的张量
- tensors:可以是包含张量的列表,批处理的内容放到列表当中
- batch_size:从队列中读取的批处理大小
- num_threads:进入队列的线程数
- capacity:整数,队列中元素的最大数量
- return:tensors
- tf.train.shuffle_batch
2、线程操作
以上的创建这些队列和排队操作称之为tf.train.QueueRunner。每个QueueRunner都负责一个阶段,并拥有需要在线程中运行的排队操作列表。一旦图形被构建, tf.train.start_queue_runners 函数就会要求图中的每个QueueRunner启动它的运行排队操作的线程。(这些操作需要在会话中开启)
- tf.train.start_queue_runners(sess=None,coord=None)
- 收集所有图中的队列线程,并启动线程
- sess:所在的会话中
- coord:线程协调器
- return:返回所有线程
- tf.train.Coordinator()
- 线程协调员,实现一个简单的机制来协调一组线程的终止
- request_stop():请求停止
- should_stop():询问是否结束
- join(threads=None, stop_grace_period_secs=120):回收线程
- return:线程协调员实例
3、图像基本知识
对于图像文件,我们怎么进行转换成机器学习能够理解的数据。之前我们讲过文本怎么处理成数字信息。对于图片来讲,组成图片的最基本单位是像素,所以我们获取的是每张图片的像素值。接触的图片有两种,一种是黑白图片,另一种是彩色图片。
3.1 图片三要素
组成一张图片特征值是所有的像素值,有这么几个要素。图片长度、图片宽度、图片通道数。什么是图片的通道数呢,描述一个像素点,如果是灰度,那么只需要一个数值来描述它,就是单通道。如果一个像素点,有RGB三种颜色来描述它,就是三通道。那所以
- 灰度图:单通道
- 彩色图片:三通道
假设一张彩色图片的长200,宽200,通道数为3,那么总的像素数量为200 * 200 * 3
3.2 张量形状
读取图片之后,怎么用张量形状来表示呢。一张图片就是一个3D张量,[height, width, channel],height就表示高,width表示宽,channel表示通道数。我们会经常遇到3D和4D的表示
- 单个图片:[height, width, channel]
- 多个图片:[batch,height, width, channel],batch表示批数量
3.3 图片特征值处理
在进行图片识别的时候,每个图片样本的特征数量要保持相同。所以需要将所有图片张量大小统一转换。另一方面如果图片的像素量太大,也可以通过这种方式适当减少像素的数量,减少训练的计算开销
- tf.image.resize_images(images, size)
- 缩小放大图片
- images:4-D形状[batch, height, width, channels]或3-D形状的张量[height, width, channels]的图片数据
- size:1-D int32张量:new_height, new_width,图像的新尺寸
- 返回4-D格式或者3-D格式图片
3.4 数据格式
- 存储:uint8(节约空间)
- 矩阵计算:float32(提高精度)
4、CIFAR10二进制数据集介绍
https://www.cs.toronto.edu/~kriz/cifar.html
- 二进制版本数据文件
二进制版本
二进制版本包含文件data_batch_1.bin,data_batch_2.bin,…,data_batch_5.bin以及test_batch.bin
。这些文件中的每一个格式如下,数据中每个样本包含了特征值和目标值:
<1×标签> <3072×像素>
...
<1×标签> <3072×像素>
第一个字节是第一个图像的标签,它是一个0-9范围内的数字。接下来的3072个字节是图像像素的值。前1024个字节是红色通道值,下1024个绿色,最后1024个蓝色。值以行优先顺序存储,因此前32个字节是图像第一行的红色通道值。 每个文件都包含10000个这样的3073字节的“行”图像,但没有任何分隔行的限制。因此每个文件应该完全是30730000字节长。
5、TFRecords
5.1 什么是TFRecords文件
TFRecords其实是一种二进制文件,虽然它不如其他格式好理解,但是它能更好的利用内存,更方便复制和移动,并且不需要单独的标签文件。
TFRecords文件包含了tf.train.Example 协议内存块(protocol buffer)(协议内存块包含了字段 Features)。可以获取你的数据, 将数据填入到Example协议内存块(protocol buffer),将协议内存块序列化为一个字符串, 并且通过tf.python_io.TFRecordWriter 写入到TFRecords文件。
- 文件格式 *.tfrecords
5.2 Example结构解析
tf.train.Example 协议内存块(protocol buffer)(协议内存块包含了字段 Features),Features包含了一个Feature字段,Features中包含要写入的数据、并指明数据类型。这是一个样本的结构,批数据需要循环存入这样的结构
example = tf.train.Example(features=tf.train.Features(feature={
"image": tf.train.Feature(bytes_list=tf.train.BytesList(value=[image])),
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[label])),
}))
- tf.train.Example(features=None)
- 写入tfrecords文件
- features:tf.train.Features类型的特征实例
- return:example格式协议块
- tf.train.Features(feature=None)
- 构建每个样本的信息键值对
- feature:字典数据,key为要保存的名字
- value为tf.train.Feature实例
- return:Features类型
- tf.train.Feature(options)
- options:例如
- bytes_list=tf.train. BytesList(value=[Bytes])
- int64_list=tf.train. Int64List(value=[Value])
- 支持存入的类型如下
- tf.train.Int64List(value=[Value])
- tf.train.BytesList(value=[Bytes])
- tf.train.FloatList(value=[value])
- options:例如
这种结构是不是很好的解决了数据和标签(训练的类别标签)或者其他属性数据存储在同一个文件中
完整Demo
# -*- coding=utf-8 -*-
import os
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级,显示所有信息
os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error
# os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error
import tensorflow as tf
def picread(file_list):
"""
读取狗图片数据到张量
:param file_list:路径+文件名到列表
:return:
"""
# 1. 构建文件队列
file_queue = tf.train.string_input_producer(file_list)
# 2. 利用图片读取器去读取文件队列内容
reader = tf.WholeFileReader()
# 3. 默认一次一张图片,没有形状
key, value = reader.read(file_queue)
print(value)
# 4. 对图片数据进行解码
# string --> unit8
# () ---> (?, ?, ?)
image = tf.image.decode_jpeg(value)
print(image)
# 5. 图片的形状固定、大小处理
# 把图像大小固定统一大小(算法训练要求样本的特征值数量一样)
# 固定【200, 200]
image_resize = tf.image.resize_images(image, size=[200, 200])
print(image_resize)
# 6. 设置图片形状
image_resize.set_shape([200, 200, 3])
# 7. 进行批处理
# 3D --> 4D
# tf.train.batch(tensors,batch_size,num_threads = 1,capacity = 32,name=None)
# - 读取指定大小(个数)的张量
# - tensors:可以是包含张量的列表,批处理的内容放到列表当中
# - batch_size:从队列中读取的批处理大小
# - num_threads:进入队列的线程数
# - capacity:整数,队列中元素的最大数量
# return:tensors
image_batch = tf.train.batch([image_resize], batch_size=10, num_threads=1, capacity=8)
print(image_batch)
return image_batch
class Cifarread(object):
"""
读取cifar10类别的二进制文件
"""
def __init__(self):
# 每个图像样本的属性
self.height = 32
self.width = 32
self.channel = 3
# bytes
# 标签字节
self.label_bytes = 1
# 特征值字节
self.image_bytes = self.height * self.width * self.channel
# 总的字节数
self.all_bytes = self.label_bytes + self.image_bytes
def bytes_read(self, file_list):
"""
读取二进制解码张量
:param file_list: 路径+文件名到列表
:return:
"""
# 1. 构造文件队列
file_queue = tf.train.string_input_producer(file_list)
# 2. 使用tf.FixedLengthRecordReader(bytes)读取
# 默认必须指定读取一个样本
reader = tf.FixedLengthRecordReader(self.all_bytes)
# 读取队列
_, value = reader.read(file_queue)
# 3. 解码操作
# (?, ) (3.73, ) = label(1, ) + feature(3072, )
label_image = tf.decode_raw(value, tf.uint8)
# 为了训练方便,一般会把特征值和目标值分开处理
print(label_image)
# 使用tf.slice进行切片,tf.cast更改所要的类型
label = tf.cast(tf.slice(label_image, [0], [self.label_bytes]), tf.int32) # tf.cast:将原来的unit8 改为 int32类型
image = tf.slice(label_image, [self.label_bytes], [self.image_bytes])
print(label, image)
# 处理类型和图片数据的形状
# 图片形状[32, 32, 3]
# reshape (3072, ) --> [channel, height, width]
# transpose [channel, height, width] --> [height, width, channel]
depth_major = tf.reshape(image, [self.channel, self.height, self.width])
print(depth_major)
image_reshape = tf.transpose(depth_major, [1, 2, 0])
print(image_reshape)
# 4. 批处理
# 3D --> 4D
# tf.train.batch(tensors,batch_size,num_threads = 1,capacity = 32,name=None)
# - 读取指定大小(个数)的张量
# - tensors:可以是包含张量的列表,批处理的内容放到列表当中
# - batch_size:从队列中读取的批处理大小
# - num_threads:进入队列的线程数
# - capacity:整数,队列中元素的最大数量
# return:tensors
image_batch, label_batch = tf.train.batch([image_reshape, label], batch_size=10, num_threads=1, capacity=10)
return image_batch, label_batch
def write_to_tfrecords(self, image_batch, label_batch):
"""
将数据写入TFRecords文件
:param image_batch: 特征值
:param label_batch: 目标值
:return:
"""
# 构造TFRecords存储器
writer = tf.python_io.TFRecordWriter("./temp/cifar.tfrecords")
# 循环将每个样本构造成一个example,然后序列化写入
for i in range(10):
# 取出相应对第i个样本的特征值和目标值
# 写入的是具体的张量的值,不是OP的名字
# [10, 32, 32, 3] --> [32, 32, 3]
image = image_batch[i].eval().tostring() # 将其转化为Bytes类型
#[10, 1]
label = int(label_batch[i].eval()[0])
# 每个样本对example
example = tf.train.Example(features=tf.train.Features(feature={
"image": tf.train.Feature(bytes_list=tf.train.BytesList(value=[image])),
"label": tf.train.Feature(int64_list=tf.train.Int64List(value=[label]))
}))
# 写入第i个样本的example
writer.write(example.SerializeToString())
writer.close()
return None
def read_tfrecords(self):
"""
读取tfrecords的数据
:return: None
"""
# 1、构造文件队列
file_queue = tf.train.string_input_producer(["./temp/cifar.tfrecords"])
# 2、构造tfrecords读取器,读取队列
reader = tf.TFRecordReader()
# 默认也是只读取一个样本
key, values = reader.read(file_queue)
# tfrecords
# 多了解析example的一个步骤
feature = tf.parse_single_example(values, features={
"image": tf.FixedLenFeature([], tf.string),
"label": tf.FixedLenFeature([], tf.int64)
})
# 取出feature里面的特征值和目标值
# 通过键值对获取
image = feature["image"]
label = feature["label"]
# 3、解码操作
# 对于image是一个bytes类型,所以需要decode_raw去解码成uint8张量
# 对于Label:本身是一个int类型,不需要去解码
image = tf.decode_raw(image, tf.uint8)
print(image, label)
# # 从原来的[32,32,3]的bytes形式直接变成[32,32,3]
# 不存在一开始我们的读取RGB的问题
# 处理image的形状和类型
image_reshape = tf.reshape(image, [self.height, self.width, self.channel])
# 处理label的形状和类型
label_cast = tf.cast(label, tf.int32)
print(image_reshape, label_cast)
# 4、批处理操作
image_batch, label_batch = tf.train.batch([image_reshape, label_cast], batch_size=10, num_threads=1, capacity=10)
print(image_batch, label_batch)
return image_batch, label_batch
if __name__ == '__main__':
# 例1:图像数据读取
filename = os.listdir("../data/dog/")
file_list = [os.path.join("../data/dog/", file) for file in filename]
# 例 2:二进制数据读取
filename_01 = os.listdir("../data/cifar10/cifar-10-batches-bin/")
file_list_01 = [os.path.join("../data/cifar10/cifar-10-batches-bin/", file) for file in filename_01 if file[-3:] == "bin"]
# print(file_list)
# 0. 传入数据
# 例1:
image_batch = picread(file_list)
# 例2:
cr = Cifarread()
image_batch_01, label_batch_01 = cr.bytes_read(file_list_01)
# 例3:读取TFRecords的结果
image_batch_02, label_batch_02 = cr.read_tfrecords()
with tf.Session() as sess:
# 8.创建线程回收的协调器
# coord = tf.train.Coordinator()
# 线程协调员, 实现一个简单的机制来协调一组线程的终止
# coord.request_stop():请求停止
# coord.should_stop():询问是否结束
# coord.join(threads=None, stop_grace_period_secs=120):回收线程
# return:线程协调员实例
coord = tf.train.Coordinator()
# 9. 需要手动开启子线程去进行批量处理读取到队列操作
# tf.train.start_queue_runners(sess=None, coord=None)
# 收集所有图中的队列线程,并启动线程
# - sess: 所在的会话中
# - coord:线程协调器
# return:返回所有线程
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
# ⚠️打印内容、运行:需要开启子线程去运行,子线程就把数据读取到队列,主线程取出数据去训练
print("image:", sess.run(image_batch))
print("Bytes:", sess.run([image_batch_01, label_batch_01]))
print(".tfrecords:", sess.run([image_batch_02, label_batch_02]))
# 写入文件
# cr.write_to_tfrecords(image_batch_01, label_batch_01)
# 10.回收线程
coord.request_stop()
coord.join(threads)
with tf.Session() as sess:
# 8.创建线程回收的协调器
# coord = tf.train.Coordinator()
# 线程协调员, 实现一个简单的机制来协调一组线程的终止
# coord.request_stop():请求停止
# coord.should_stop():询问是否结束
# coord.join(threads=None, stop_grace_period_secs=120):回收线程
# return:线程协调员实例
coord = tf.train.Coordinator()
# 9. 需要手动开启子线程去进行批量处理读取到队列操作
# tf.train.start_queue_runners(sess=None, coord=None)
# 收集所有图中的队列线程,并启动线程
# - sess: 所在的会话中
# - coord:线程协调器
# return:返回所有线程
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
# ⚠️打印内容、运行:需要开启子线程去运行,子线程就把数据读取到队列,主线程取出数据去训练
print("image:", sess.run(image_batch))
print("Bytes:", sess.run([image_batch_01, label_batch_01]))
# print(".tfrecords:", sess.run([image_batch_02, label_batch_02]))
# 写入文件
cr.write_to_tfrecords(image_batch_01, label_batch_01)
print("news_writer")
# 10.回收线程
coord.request_stop()
coord.join(threads)