tensorflow使用tf.data.Dataset 處理大型數(shù)據(jù)集問題

更新時間：2022年12月16日 09:11:41 作者：陳麒任

這篇文章主要介紹了tensorflow使用tf.data.Dataset 處理大型數(shù)據(jù)集問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教

構(gòu)建生成器函數(shù)
使用tf.data.Dataset的from_generator函數(shù)，通過指定數(shù)據(jù)類型，數(shù)據(jù)的shape等參數(shù)，構(gòu)建一個Dataset
指定batch_size
使用make_one_shot_iterator()函數(shù)，構(gòu)建一個iterator
使用上面構(gòu)建的迭代器開始get_next() 。（必須要有這個get_next()，迭代器才會工作）

一.構(gòu)建生成器

生成器的要點是要在while True中加入yield，yield的功能有點類似return，有yield才能起到迭代的作用。

我的數(shù)據(jù)是一個[6047, 6000, 1]的文本數(shù)據(jù)，我每次迭代返回的shape為[1,6000,1]，要注意的是返回的shape要和構(gòu)建Dataset時的shape一致，下面會說到。

代碼如下：

def gen():?? ??? ??? ??? ?
?? ??? ?train=pd.read_csv('/home/chenqiren/PycharmProjects/code/test/formal/small_sample/train2.csv', header=None)
? ? ? ? train.fillna(0, inplace = True)
? ? ? ? label_encoder = LabelEncoder().fit(train[6000])
? ? ? ? label = label_encoder.transform(train[6000]) ?
? ? ? ? train = train.drop([6000], axis=1)?
? ? ? ? scaler = StandardScaler().fit(train.values) ? #train.values中的值是csv文件中的那些值， ? ? 這步標準化可以保留
? ? ? ? scaled_train = scaler.transform(train.values)
? ? ? ? #print(scaled_train)
? ? ? ? #拆分訓練集和測試集--------------
? ? ? ? sss=StratifiedShuffleSplit(test_size=0.1, random_state=23)
? ? ? ? for train_index, valid_index in sss.split(scaled_train, label): ? #需要的是數(shù)組，train.values得到的是數(shù)組
? ? ? ? ? ? X_train, X_valid=scaled_train[train_index], scaled_train[valid_index] ?#https://www.cnblogs.com/Allen-rg/p/9453949.html
? ? ? ? ? ? y_train, y_valid=label[train_index], label[valid_index]
? ? ? ? X_train_r=np.zeros((len(X_train), 6000, 1)) ? #先構(gòu)建一個框架出來，下面再賦值
? ? ? ? X_train_r[:,: ,0]=X_train[:,0:6000] ? ??
? ??
? ? ? ? X_valid_r=np.zeros((len(X_valid), 6000, 1))
? ? ? ? X_valid_r[:,: ,0]=X_valid[:,0:6000]
? ??
? ? ? ? y_train=np_utils.to_categorical(y_train, 3)
? ? ? ? y_valid=np_utils.to_categorical(y_valid, 3)
? ? ? ??
? ? ? ? leng=len(X_train_r)
? ? ? ? index=0
? ? ? ? while True:
? ? ? ? ? ? x_train_batch=X_train_r[index, :, 0:1]
? ? ? ? ? ? y_train_batch=y_train[index, :]
? ? ? ? ? ? yield (x_train_batch, y_train_batch)
? ? ? ? ? ? index=index+1
? ? ? ? ? ? if index>leng:
? ? ? ? ? ? ? ? break

代碼中while True上面的部分是標準化數(shù)據(jù)的代碼，可以不用看，只需要看 while True中的代碼即可。

x_train_batch, y_train_batch都只是一行的數(shù)據(jù)，這里是一行一行數(shù)據(jù)迭代。

二.使用tf.data.Dataset包裝生成器

data=tf.data.Dataset.from_generator(gen_1, (tf.float32, tf.float32), (tf.TensorShape([6000,1]), tf.TensorShape([3])))
data=data.batch(128)
iterator=data.make_one_shot_iterator()

這里的tf.TensorShape([6000,1]) 和 tf.TensorShape([3])中的shape要和上面生成器yield返回的數(shù)據(jù)的shape一致。

data=data.batch(128)是設(shè)置batchsize，這里設(shè)為128，在運行時，因為我們yield的是一行的數(shù)據(jù)[1, 6000, 1]，所以將會循環(huán)yield夠128次，得到[128, 6000, 1]，即一個batch，才會開始訓練。
iterator=data.make_one_shot_iterator()是構(gòu)建迭代器，one_shot迭代器人如其名，意思就是數(shù)據(jù)輸出一次后就丟棄了。

三.獲取生成器返回的數(shù)據(jù)

x, y=iterator.get_next()
x_batch, y_batch=sess.run([x,y])

注意要有g(shù)et_next()，迭代器才能開始工作。

第二行是run第一行代碼。獲取訓練數(shù)據(jù)和訓練標簽。

這里做個關(guān)于yield的小筆記：

上一次迭代，yield返回了值，然后get_next()開啟了下一次迭代，此時，程序是從yield處開始運行的，也就是說，如果yield后面還有程序，那就會運行yield后面的程序。一直運行的是while True中的程序，沒有運行while True外面的程序。

下面是我寫的總的代碼?？梢圆挥每础?/p>

import os
import keras
import numpy as np
import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn.model_selection import train_test_split
from keras.models import Sequential, Model
from keras.layers import Dense, Activation, Flatten, Conv1D, Dropout, MaxPooling1D, GlobalAveragePooling1D
from keras.layers import GlobalAveragePooling2D,BatchNormalization, UpSampling1D, RepeatVector,Reshape
from keras.layers.core import Lambda
from keras.optimizers import SGD, Adam, Adadelta
from keras.utils import np_utils
from keras.applications.inception_resnet_v2 import InceptionResNetV2
from keras.backend import conv3d,reshape, shape, categorical_crossentropy, mean, square
from keras.applications.vgg16 import VGG16
from keras.layers import Input,LSTM
from keras import regularizers
from keras.utils import multi_gpu_model
import tensorflow as tf
import keras.backend.tensorflow_backend as KTF
os.environ["CUDA_VISIBLE_DEVICES"]="2" 
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)
keep_prob = tf.placeholder("float")
# 設(shè)置session
KTF.set_session(session )

#-----生成訓練數(shù)據(jù)-----------------------------------------------
def gen_1():
    train=pd.read_csv('/home/chenqiren/PycharmProjects/code/test/formal/small_sample/train2.csv', header=None)
    train.fillna(0, inplace = True)
    label_encoder = LabelEncoder().fit(train[6000])
    label = label_encoder.transform(train[6000])  
    train = train.drop([6000], axis=1) 
    scaler = StandardScaler().fit(train.values)   #train.values中的值是csv文件中的那些值，     這步標準化可以保留
    scaled_train = scaler.transform(train.values)
    #print(scaled_train)
    #拆分訓練集和測試集--------------
    sss=StratifiedShuffleSplit(test_size=0.1, random_state=23)
    for train_index, valid_index in sss.split(scaled_train, label):   #需要的是數(shù)組，train.values得到的是數(shù)組
        X_train, X_valid=scaled_train[train_index], scaled_train[valid_index]  #https://www.cnblogs.com/Allen-rg/p/9453949.html
        y_train, y_valid=label[train_index], label[valid_index]
    X_train_r=np.zeros((len(X_train), 6000, 1))   #先構(gòu)建一個框架出來，下面再賦值
    #開始賦值
    #https://stackoverflow.com/questions/43290202/python-typeerror-unhashable-type-slice-for-encoding-categorical-data
    X_train_r[:,: ,0]=X_train[:,0:6000]     

    X_valid_r=np.zeros((len(X_valid), 6000, 1))
    X_valid_r[:,: ,0]=X_valid[:,0:6000]

    y_train=np_utils.to_categorical(y_train, 3)
    y_valid=np_utils.to_categorical(y_valid, 3)
    
    leng=len(X_train_r)
    index=0
    while True:
        x_train_batch=X_train_r[index, :, 0:1]
        y_train_batch=y_train[index, :]
        yield (x_train_batch, y_train_batch)
        index=index+1
        if index>leng:
            break
        
#----生成測試數(shù)據(jù)--------------------------------------
def gen_2():
    train=pd.read_csv('/home/chenqiren/PycharmProjects/code/test/formal/small_sample/train2.csv', header=None)
    train.fillna(0, inplace = True)
    label_encoder = LabelEncoder().fit(train[6000])
    label = label_encoder.transform(train[6000])  
    train = train.drop([6000], axis=1) 
    scaler = StandardScaler().fit(train.values)   #train.values中的值是csv文件中的那些值，     這步標準化可以保留
    scaled_train = scaler.transform(train.values)
    #print(scaled_train)
    #拆分訓練集和測試集--------------
    sss=StratifiedShuffleSplit(test_size=0.1, random_state=23)
    for train_index, valid_index in sss.split(scaled_train, label):   #需要的是數(shù)組，train.values得到的是數(shù)組
        X_train, X_valid=scaled_train[train_index], scaled_train[valid_index]  #https://www.cnblogs.com/Allen-rg/p/9453949.html
        y_train, y_valid=label[train_index], label[valid_index]
    X_train_r=np.zeros((len(X_train), 6000, 1))   #先構(gòu)建一個框架出來，下面再賦值
    #開始賦值
    #https://stackoverflow.com/questions/43290202/python-typeerror-unhashable-type-slice-for-encoding-categorical-data
    X_train_r[:,: ,0]=X_train[:,0:6000]     

    X_valid_r=np.zeros((len(X_valid), 6000, 1))
    X_valid_r[:,: ,0]=X_valid[:,0:6000]

    y_train=np_utils.to_categorical(y_train, 3)
    y_valid=np_utils.to_categorical(y_valid, 3)
    
    leng=len(X_valid_r)
    index=0
    while True:
        x_test_batch=X_valid_r[index, :, 0:1]
        y_test_batch=y_valid[index, :]
        yield (x_test_batch, y_test_batch)
        index=index+1
        if index>leng:
            break
        
#---------------------------------------------------------------------
        
def custom_mean_squared_error(y_true, y_pred):
    return mean(square(y_pred - y_true))
def custom_categorical_crossentropy(y_true, y_pred):
    return categorical_crossentropy(y_true, y_pred)

def loss_func(y_loss, x_loss):
    return categorical_crossentropy + 0.05 * mean_squared_error

#建立模型
with tf.device('/cpu:0'):
    inputs1=tf.placeholder(tf.float32, shape=(None,6000,1))

    x1=LSTM(128, return_sequences=True)(inputs1)
    encoded=LSTM(64 ,return_sequences=True)(x1)
    print('encoded shape:',shape(encoded))

    #decode
    x1=LSTM(128, return_sequences=True)(encoded)
    decoded=LSTM(1, return_sequences=True,name='decode')(x1)
    #classify
    labels=tf.placeholder(tf.float32, shape=(None,3))
    x2=Conv1D(20,kernel_size=50, strides=2, activation='relu' )(encoded)  #步數(shù)論文中未提及,第一層
    x2=MaxPooling1D(pool_size=2, strides=1)(x2)
    x2=Conv1D(20,kernel_size=50, strides=2, activation='relu')(x2)   #第二層
    x2=MaxPooling1D(pool_size=2, strides=1)(x2)
    x2=Dropout(0.25)(x2)
    x2=Conv1D(24,kernel_size=30, strides=2, activation='relu')(x2)   #第三層
    x2=MaxPooling1D(pool_size=2, strides=1)(x2)
    x2=Dropout(0.25)(x2)
    x2=Conv1D(24,kernel_size=30, strides=2, activation='relu')(x2)   #第四層
    x2=MaxPooling1D(pool_size=2, strides=1)(x2)
    x2=Dropout(0.25)(x2)
    x2=Conv1D(24,kernel_size=10, strides=2, activation='relu')(x2)  #第五層
    x2=MaxPooling1D(pool_size=2, strides=1)(x2)
    x2=Dropout(0.25)(x2)

    x2=Dense(192)(x2) #第一個全連接層
    x2=Dense(192)(x2)  #第二個全連接層
    x2=Flatten()(x2)
    x2=Dense(3,activation='softmax', name='classify')(x2)

    def get_accuracy(x2, labels):
        current = tf.cast(tf.equal(tf.argmax(x2, 1), tf.argmax(labels, 1)), 'float')
        accuracy = tf.reduce_mean(current)
        return accuracy
    #實例化獲取準確率函數(shù)
    getAccuracy = get_accuracy(x2, labels)
    #定義損失函數(shù)
    all_loss=tf.reduce_mean(categorical_crossentropy(x2 , labels) + tf.convert_to_tensor(0.5)*square(decoded-inputs1))
    train_option=tf.train.AdamOptimizer(0.01).minimize(all_loss)
    #-----------------------------------------
    #生成訓練數(shù)據(jù)
    data=tf.data.Dataset.from_generator(gen_1, (tf.float32, tf.float32), (tf.TensorShape([6000,1]), tf.TensorShape([3])))
    data=data.batch(128)
    iterator=data.make_one_shot_iterator()
    
    #生成測試數(shù)據(jù)
    data2=tf.data.Dataset.from_generator(gen_2, (tf.float32, tf.float32), (tf.TensorShape([6000,1]), tf.TensorShape([3])))
    data2=data2.batch(128)
    iterator2=data2.make_one_shot_iterator()
    #-----------------------------------------
    with tf.Session() as sess:
        init=tf.global_variables_initializer()
        sess.run(init)
        i=-1
        
        for k in range(20):
            #-----------------------------------------
            x, y=iterator.get_next()
            x_batch, y_batch=sess.run([x,y])
            print('batch shape:',x_batch.shape, y_batch.shape)
            #-----------------------------------------
            if k%2==0:
                print('第',k,'輪')
                x3=sess.run(x2, feed_dict={inputs1:x_batch, labels:y_batch })
                dc=sess.run(decoded, feed_dict={inputs1:x_batch})
                accuracy=sess.run(getAccuracy, feed_dict={x2:x3, labels:y_batch, keep_prob: 1.0})
                loss=sess.run(all_loss, feed_dict={x2:x3, labels:y_batch, inputs1:x_batch, decoded:dc})
                print("step(s): %d ----- accuracy: %g -----loss: %g" % (i, accuracy, loss))
                sess.run(train_option, feed_dict={inputs1:x_batch, labels:y_batch, keep_prob: 0.5})
        x, y=iterator2.get_next()
        x_test_batch, y_test_batch=sess.run([x,y])
        print('batch shape:',x_test_batch.shape, y_test_batch.shape)
        x_test=sess.run(x2, feed_dict={inputs1:x_test_batch, labels:y_test_batch })
        print ("test accuracy %f"%getAccuracy.eval(feed_dict={x2:x_test, labels:y_test_batch, keep_prob: 1.0}))