目录
前言
在训练模型时，我们首先要处理的就是训练数据的加载与预处理的问题，这里称这个过程为输入流水线（input pipelines，或输入管道，参考）。在TensorFlow中，典型的输入流水线包含三个流程（ETL流程）：
- 提取（Extract）：从存储介质（如硬盘）中读取数据，可能是本地读取，也可能是远程读取（比如在分布式存储系统HDFS）
- 预处理（Transform）：利用CPU处理器解析和预处理提取的数据，如图像解压缩，数据扩增或者变换，然后会做random shuffle，并形成batch。
- 加载（load）：将预处理后的数据加载到加速设备中（如GPUs）来执行模型的训练。
输入流水线对于加速模型训练还是很重要的，如果你的CPU处理数据能力跟不上GPU的处理速度，此时CPU预处理数据就成为了训练模型的瓶颈环节。除此之外，上述输入流水线本身也有很多优化的地方。比如，一个典型的模型训练过程中，CPU预处理数据时，GPU是闲置的，当GPU训练模型时，CPU是闲置的，这个过程如下所示：
这样一个训练step中所花费的时间是CPU预处理数据和GPU训练模型时间的总和。显然这个过程中有资源浪费，一个改进的方法就是交叉CPU数据处理和GPU模型训练这两个过程，当GPU处于第 个训练阶段，CPU正在准备第 步所需的数据，如下图所示：
明显上述设计可以充分最大化利用CPU和GPU，从而减少资源的闲置。另外当存在多个CPU核心时，这又会涉及到CPU的并行化技术（多线程）来加速数据预处理过程，因为每个训练样本的预处理过程往往是互相独立的。关于输入流程线的优化可以参考TensorFlow官网上的Input Pipeline Performance Guide，相信你会受益匪浅。
幸运的是，最新的TensorFlow版本提供了tf.data这一套APIs来帮助我们快速实现高效又灵活的输入流水线。在TensorFlow中最常见的加载训练数据的方式是通过Feeding方式，其主要是定义placeholder，然后将通过Session.run()的feed_dict参数送入数据，但是这其实是最低效的加载数据方式。后来，TensorFlow增加了QueueRunner机制，其主要是基于文件队列以及多线程技术，实现了更高效的输入流水线，但是其APIs很是让人难懂，所以就有了现在的tf.data来替代它。
这里我们通过mnist实例来讲解如何使用tf.data建立简洁而高效的输入流水线，在介绍之前，我们先介绍如何制作TFRecords文件，这是TensorFlow支持的一种标准文件格式
制作TFRecords文件
TFRecords文件是TensorFlow中的标准数据格式，它是基于protobuf的二进制文件，每个TFRecord文件的基本元素是tf.train.Example，其对应的是数据集中的一个样本数据，每个Example包含Features，存储该样本的各个feature，每个feature包含一个键值对，分别对应feature的特征名与实际值。下面是一个Example实例（参考）：
// An Example for a movie recommendation application:
features {
feature {
key: "age"
value { float_list {
value: 29.0
}}
}
feature {
key: "movie"
value { bytes_list {
value: "The Shawshank Redemption"
value: "Fight Club"
}}
}
feature {
key: "movie_ratings"
value { float_list {
value: 9.0
value: 9.7
}}
}
feature {
key: "suggestion"
value { bytes_list {
value: "Inception"
}}
}
feature {
key: "suggestion_purchased"
value { float_list {
value: 1.0
}}
}
feature {
key: "purchase_price"
value { float_list {
value: 9.99
}}
}
}上面是一个电影推荐系统中的一个样本，可以看到它共含有6个特征，每个特征都是key-value类型，key是特征名，而value是特征值，值得注意的是value其实存储的是一个list，根据数据类型共分为三种：bytes_list, float_list和int64_list，分别存储字节、浮点及整数类型（见这里）。
作为标准数据格式，TensorFlow当然提供了创建TFRecords文件的python接口，下面我们创建mnist数据集对应的TFRecords文件。对于mnist数据集，每个Example需要存储两个feature，一个是图像的像素值，这里可以用bytes类型，因为一个像素点正好可以用一个字节存储，另外是图像的标签值，只能用int64类型存储了。因此，我们先定义这两个类型的接口函数：
# int64
def _int64_feature(value):
return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
# bytes
def _bytes_feature(value):
return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
创建TFRecord文件，主要通过TF中的tf.python_io.TFRecordWriter函数来实现，具体代码如下：
def convert_to_TFRecords(dataset, name):
"""Convert mnist dataset to TFRecords"""
images, labels = dataset.images, dataset.labels
n_examples = dataset.num_examples
filename = os.path.join(DIR, name + ".tfrecords")
print("Writing", filename)
with tf.python_io.TFRecordWriter(filename) as writer:
for index in range(n_examples):
image_bytes = images[index].tostring()
label = labels[index]
example = tf.train.Example(features=tf.train.Features(
feature={"image": _bytes_feature(image_bytes),
"label": _int64_feature(label)}))
writer.write(example.SerializeToString())对于mnist数据集，主要分为train、validation和test，利用上面的函数分别创建三个不同的TFRecords文件：
mnist_datasets = mnist.read_data_sets("mnist_data", dtype=tf.uint8, reshape=False)
convert_to_TFRecords(mnist_datasets.train, "train")
convert_to_TFRecords(mnist_datasets.validation, "validation")
convert_to_TFRecords(mnist_datasets.test, "test")好了，这样我们就创建3个TFRecords文件了。
读取TFRecords文件
上面我们创建了TFRecords文件，但是怎么去读取它们呢，当然TF提供了读取TFRecords文件的接口函数，这里首先介绍如何利用TF中操作TFRecord的python接口来读取TFRecord文件，主要是tf.python_io.tf_record_iterator函数，它输入TFRecord文件，但是得到一个迭代器，每个元素是一个Example，但是却是一个字符串，这里可以用tf.train.Example来解析它，具体代码如下：
def read_TFRecords_test(name):
filename = os.path.join(DIR, name + ".tfrecords")
record_itr = tf.python_io.tf_record_iterator(path=filename)
for r in record_itr:
example = tf.train.Example()
example.ParseFromString(r)
label = example.features.feature["label"].int64_list.value[0]
print("Label", label)
image_bytes = example.features.feature["image"].bytes_list.value[0]
img = np.fromstring(image_bytes, dtype=np.uint8).reshape(28, 28)
print(img)
plt.imshow(img, cmap="gray")
plt.show()
break # 只读取一个Example上面仅是纯python的读取方式，这不是TFRecords文件的正确使用方式。既然是官方标准数据格式，TF也提供了使用TFRecords文件建立输入流水线的方式。在tf.data出现之前，使用的是QueueRunner方式，即文件队列机制，其原理如下图所示：
文件队列机制主要分为两个阶段：第一个阶段将输入文件打乱，并在文件队列入列，然后Reader从文件队列中读取一个文件，同时文件队列出列这个文件，Reader同时对文件进行解码，然后生产数据样本，并将样本在样本队列中入列，可以定义多个Reader并发地从多个文件同时读取数据。从样本队列中的出列一定量的样本数据即可以用于一个训练过程。TF提供了配套的API来完成这个过程，注意的是这个输入流水线是直接嵌入训练的Graph中，即是整个图模型的一部分。根据文件的不同，可以使用不同类型的Reader，对于TFRecord文件，可以使用tf.TFRecordReader，下面是具体的实现代码：
def read_example(filename_queue):
"""Read one example from filename_queue"""
reader = tf.TFRecordReader()
key, value = reader.read(filename_queue)
features = tf.parse_single_example(value, features={"image": tf.FixedLenFeature([], tf.string),
"label": tf.FixedLenFeature([], tf.int64)})
image = tf.decode_raw(features["image"], tf.uint8)
image = tf.reshape(image, [28, 28])
label = tf.cast(features["label"], tf.int32)
return image, label
if __name__ == "__main__":
queue = tf.train.string_input_producer(["TFRecords/train.tfrecords"], num_epochs=10)
image, label = read_example(queue)
img_batch, label_batch = tf.train.shuffle_batch([image, label], batch_size=32, capacity=5000,
min_after_dequeue=2000, num_threads=4)
with tf.Session() as sess:
sess.run(tf.local_variables_initializer())
sess.run(tf.global_variables_initializer())
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
try:
while not coord.should_stop():
# Run training steps or whatever
images, labels = sess.run([img_batch, label_batch])
print(images.shape, labels.shape)
except tf.errors.OutOfRangeError:
print('Done training -- epoch limit reached')
coord.request_stop()
coord.join(threads)对于队列机制，估计大家看的云里雾里的，代码确实让人难懂，但是其实只要按照官方提供的标准代码，还是很容易在自己的数据集上进行修改的。不过现在有了tf.data，可以更加优雅地实现上面的过程。
tf.data简介
使用tf.data可以更方便地创建高效的输入流水线，但是其相比队列机制API更友好，这主要是因为tf.data提供了高级抽象。第一个抽象是使用tf.data.Dataset来表示一个数据集合，集合里面的每个元素包含一个或者多个Tensor，一般就是对应一个训练样本。第二个抽象是使用tf.data.Iterator来从数据集中提取数据，这是一个迭代器对象，可以通过Iterator.get_next()从Dataset中产生一个样本。利用这两个抽象，Dataset的使用简化为三个步骤：
- 创建
Dataset实例对象； - 创建遍历
Dataset的Iterator实例对象； - 从
Iterator中不断地产生样本，并送入模型中进行训练。
创建Dataset
TF提供了很多方式创建Dataset，下面是几种方式：
# 从Numpy的array
dataset1 = tf.data.Dataset.from_tensor_slices(np.random.randn((5, 10))
print(dataset1.output_types) # ==> "tf.float32"
print(dataset1.output_shapes) # ==> "(10,)"
# 从Tensor
dataset2 = tf.data.Dataset.from_tensor_slices((tf.random_uniform([4]),
tf.random_uniform([4, 100], maxval=100, dtype=tf.int32)))
print(dataset2.output_types) # ==> "(tf.float32, tf.int32)"
print(dataset2.output_shapes) # ==> "((), (100,))"
# 从文件
filenames = ["/var/data/file1.tfrecord", "/var/data/file2.tfrecord"]
dataset3 = tf.data.TFRecordDataset(filenames)更重要的是Dataset可以进行一系列的变换操作，并且支持链式调用，这对于数据预处理很重要：
dataset = tf.data.TFRecordDataset(filenames)
dataset = dataset.map(...) # 解析数据或者对数据预处理，如normalize.
dataset = dataset.repeat() # 重复数据集，一般设置num_epochs
dataset = dataset.batch(32) # 形成batch创建Iterator
创建了Dataset之后，我们需要创建Iterator来遍历数据集，返回的是迭代器对象，并从中可以产生数据，以用于模型训练。TF共支持4中迭代器类型，分别是one-shot, initializable, reinitializable和feedable。下面逐个介绍它们。
One-shot Iterator
这是最简单的Iterator，它仅仅遍历整个数据集一次，而且不需要显示初始化，下面是个实例：
dataset = tf.data.Dataset.from_tensor_slices(np.arange(10))
iterator = dataset.make_one_shot_iterator()
next_element = iterator.get_next()
with tf.Session() as sess:
for i in range(10):
sess.run(next_element) # 0, 1, ..., 9Initializable Iterator
相比one-shot Iterator，它需要在使用前显示初始化，这样就可以支持参数化，每次初始化时送入不同的参数，就可以支持数据集的简单参数化，下面是一个实例：
max_value = tf.placeholder(tf.int64, [])
dataset = tf.data.Dataset.range(max_value)
iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()
with tf.Session() as sess:
# 需要显示初始化
sess.run(iterator.initializer, feed_dict={max_value: 10})
for i in range(10):
print(sess.run(next_element)) # 0, 1, ..., 9Reinitializable Iterator
相比initializable Iterator，它可以支持从不同的Dataset进行初始化，有时候你需要训练集和测试集，但是两者并不同，此时就可以定义两个不同的Dataset，并配合reinitializable Iterator来定义一个通用的迭代器，在使用前只需要送入不同的Dataset进行初始化就可以，下面是一个实例：
train_data = np.random.randn(100, 5)
test_data = np.random.randn(20, 5)
train_dataset = tf.data.Dataset.from_tensor_slices(train_data)
test_dataset = tf.data.Dataset.from_tensor_slices(test_data)
# 创建一个reinitializable iterator
re_iterator = tf.data.Iterator.from_structure(train_dataset.output_types,
train_dataset.output_shapes)
next_element = re_iterator.get_next()
train_init_op = re_iterator.make_initializer(train_dataset)
test_init_op = re_iterator.make_initializer(test_dataset)
with tf.Session() as sess:
# 训练
n_epochs = 2
for i in range(n_epochs):
sess.run(train_init_op)
for j in range(100):
print(sess.run(next_element))
# 测试
sess.run(test_init_op)
for i in range(20):
print(sess.run(next_element))Feedable Iterator
对于reinitializable iterator，它可以支持送入不同Dataset，从而完成数据集的切换，但是每次切换时必须要重新初始化。对于Feedable Iterator，其可以认为支持送入不同的Iterator，通过切换迭代器的string handle来完成不同数据集的切换，并且在切换时迭代器的状态还会被保留，这相比reinitializable iterator更加灵活，下面是一个实例：
train_data = np.random.randn(100, 5)
val_data = np.random.randn(20, 5)
n_epochs = 20
train_dataset = tf.data.Dataset.from_tensor_slices(train_data).repeat(n_epochs)
val_dataset = tf.data.Dataset.from_tensor_slices(val_data)
# 创建一个feedable iterator
handle = tf.placeholder(tf.string, [])
feed_iterator = tf.data.Iterator.from_string_handle(handle, train_dataset.output_types,
train_dataset.output_shapes)
next_element = feed_iterator.get_next()
# 创建不同的iterator
train_iterator = train_dataset.make_one_shot_iterator()
val_iterator = val_dataset.make_initializable_iterator()
with tf.Session() as sess:
# 生成对应的handle
train_handle = sess.run(train_iterator.string_handle())
val_handle = sess.run(val_iterator.string_handle())
# 训练
for n in range(n_epochs):
for i in range(100):
print(i, sess.run(next_element, feed_dict={handle: train_handle}))
# 验证
if n % 10 == 0:
sess.run(val_iterator.initializer)
for i in range(20):
print(sess.run(next_element, feed_dict={handle: val_handle}))关于tf.data的基础知识就这么多了，更多内容可以参考官方文档，另外这里要说一点就是，对于迭代器对象，当其元素取尽之后，会抛出tf.errors.OutOfRangeError错误，当然一般情况下你是知道自己的迭代器对象的元素数，那么也就可以不用通过捕获错误来实现终止条件。下面，我们将使用tf.data实现mnist的完整训练过程。
MNIST完整实例
我们采用feedable Iterator来实现mnist数据集的训练过程，分别创建两个Dataset，一个为训练集，一个为验证集，对于验证集不需要shuffle操作。首先我们创建Dataset对象的辅助函数，主要是解析TFRecords文件，并对image做归一化处理：
def decode(serialized_example):
"""decode the serialized example"""
features = tf.parse_single_example(serialized_example,
features={"image": tf.FixedLenFeature([], tf.string),
"label": tf.FixedLenFeature([], tf.int64)})
image = tf.decode_raw(features["image"], tf.uint8)
image = tf.cast(image, tf.float32)
image = tf.reshape(image, [784])
label = tf.cast(features["label"], tf.int64)
return image, label
def normalize(image, label):
"""normalize the image to [-0.5, 0.5]"""
image = image / 255.0 - 0.5
return image, label然后定义创建Dataset的函数，对于训练集和验证集，两者的参数会不同：
def create_dataset(filename, batch_size=64, is_shuffle=False, n_repeats=0):
"""create dataset for train and validation dataset"""
dataset = tf.data.TFRecordDataset(filename)
if n_repeats > 0:
dataset = dataset.repeat(n_repeats) # for train
dataset = dataset.map(decode).map(normalize) # decode and normalize
if is_shuffle:
dataset = dataset.shuffle(1000 + 3 * batch_size) # shuffle
dataset = dataset.batch(batch_size)
return dataset我们使用一个简单的全连接层网络来实现mnist的分类模型：
def model(inputs, hidden_sizes=(500, 500)):
h1, h2 = hidden_sizes
net = tf.layers.dense(inputs, h1, activation=tf.nn.relu)
net = tf.layers.dense(net, h2, activation=tf.nn.relu)
net = tf.layers.dense(net, 10, activation=None)
return net然后是训练的主体代码：
n_train_examples = 55000
n_val_examples = 5000
n_epochs = 50
batch_size = 64
train_dataset = create_dataset("TFRecords/train.tfrecords", batch_size=batch_size, is_shuffle=True,
n_repeats=n_epochs)
val_dataset = create_dataset("TFRecords/validation.tfrecords", batch_size=batch_size)
# 创建一个feedable iterator
handle = tf.placeholder(tf.string, [])
feed_iterator = tf.data.Iterator.from_string_handle(handle, train_dataset.output_types,
train_dataset.output_shapes)
images, labels = feed_iterator.get_next()
# 创建不同的iterator
train_iterator = train_dataset.make_one_shot_iterator()
val_iterator = val_dataset.make_initializable_iterator()
# 创建模型
logits = model(images, [500, 500])
loss = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=labels, logits=logits)
loss = tf.reduce_mean(loss)
train_op = tf.train.AdamOptimizer(learning_rate=1e-04).minimize(loss)
predictions = tf.argmax(logits, axis=1)
accuracy = tf.reduce_mean(tf.cast(tf.equal(predictions, labels), tf.float32))
init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
with tf.Session() as sess:
sess.run(init_op)
# 生成对应的handle
train_handle = sess.run(train_iterator.string_handle())
val_handle = sess.run(val_iterator.string_handle())
# 训练
for n in range(n_epochs):
ls = []
for i in range(n_train_examples // batch_size):
_, l = sess.run([train_op, loss], feed_dict={handle: train_handle})
ls.append(l)
print("Epoch %d, train loss: %f" % (n, np.mean(ls)))
if (n + 1) % 10 == 0:
sess.run(val_iterator.initializer)
accs = []
for i in range(n_val_examples // batch_size):
acc = sess.run(accuracy, feed_dict={handle: val_handle})
accs.append(acc)
print("\t validation accuracy: %f" % (np.mean(accs)))大约可以在验证集上的accuracy达到98%。
小结
看起来最新的tf.data还是比较好用的，如果你是TensorFlow用户，可以尝试着使用它，当然上面的例子并不能包含关于tf.data的所有内容，想继续深入的话可以移步TF的官网。