TensorFlow笔记（四）——数据读取（一）

青旅半醒 2022-10-01 12:54 228阅读 0赞

Tensorflow读取数据的一般方式有下面3种：

*  **preloaded直接创建变量**：在tensorflow定义图的过程中，创建常量或变量来存储数据(仅适用于数据量比较小的情况)。
 *  **供给数据(feed)**： 在TensorFlow程序运行的每一步/在运行程序时，通过feed\_dict传入数据
 *  **reader从文件中读取数据**：在tensorflow图开始时，通过一个输入管线从文件中读取数据

# **一、Preloaded方法的简单例子** #

import tensorflow as tf
    
    """定义常量"""
    const_var = tf.constant([1, 2, 3])
    """定义变量"""
    var = tf.Variable([1, 2, 3])
    
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(sess.run(var))
        print(sess.run(const_var))

# **二、Feed方法** #

可以在tensorflow运算图的过程中，将数据传递到事先定义好的placeholder中。方法是在调用session.run函数时，通过feed\_dict参数传入。简单例子：

import tensorflow as tf
    """定义placeholder"""
    x1 = tf.placeholder(tf.int16)
    x2 = tf.placeholder(tf.int16)
    result = x1 + x2
    """定义feed_dict"""
    feed_dict = {
    x1: [10],
    x2: [20]
    }
    """运行图"""
    with tf.Session() as sess:
        print(sess.run(result, feed_dict=feed_dict))

当数据量较小时，可能一般选择直接将数据加载进内存，然后再分`batch`输入网络进行训练（tip:使用这种方法时，结合`yield` 使用更为简洁，大家自己尝试一下吧，我就不赘述了）。但是，如果数据量较大，这样的方法就不适用了，因为太耗内存，所以这时最好使用tensorflow提供的队列`queue`，也就是第三种方法 **从文件读取数据**。对于一些特定的读取，比如csv文件格式，官网有相关的描述，在这儿我介绍一种比较通用，高效的读取方法（官网介绍的少），即使用tensorflow内定标准格式——`TFRecords`

# TFRecords #

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（等会儿就知道为什么了）… …总而言之，这样的文件格式好处多多，所以让我们用起来吧。

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`)。我们可以写一段代码获取你的数据， 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。

从TFRecords文件中读取数据， 可以使用`tf.TFRecordReader`的`tf.parse_single_example`解析器。这个操作可以将`Example`协议内存块(protocol buffer)解析为张量。

# **三、从文件中读取数据** #

![424966-20180206225745388-699164490.png][]

图引用自 https://zhuanlan.zhihu.com/p/27238630

**步骤：**

1.  获取文件名列表list
2.  创建文件名队列，调用tf.train.string\_input\_producer，参数包含：文件名列表，num\_epochs【定义重复次数】，shuffle【定义是否打乱文件的顺序】
3.  定义对应文件的阅读器>\* [tf.ReaderBase][] >\* [tf.TFRecordReader][] >\* [tf.TextLineReader][] >\* [tf.WholeFileReader][] >\* [tf.IdentityReader][] >\* [tf.FixedLengthRecordReader][]
4.  解析器 >\* [tf.decode\_csv][tf.decode_csv] >\* [tf.decode\_raw][tf.decode_raw] >\* [tf.image.decode\_image][tf.image.decode_image] >\* …
5.  预处理，对原始数据进行处理，以适应network输入所需
6.  生成batch，调用tf.train.batch() 或者 tf.train.shuffle\_batch()
7.  prefetch【可选】使用预加载队列slim.prefetch\_queue.prefetch\_queue()
8.  启动填充队列的线程，调用tf.train.start\_queue\_runners

![424966-20180206231945873-633009497.gif][]

图引用自http://www.yyliu.cn/post/89458415.html

原文地址：[https://zhuanlan.zhihu.com/p/27238630][https_zhuanlan.zhihu.com_p_27238630]

## 四、tensorflow读文件的读取机制图解 ##

首先需要思考的一个问题是，什么是数据读取？以图像数据为例，读取数据的过程可以用下图来表示：

![Image 1][]

假设我们的硬盘中有一个图片数据集0001.jpg，0002.jpg，0003.jpg……我们只需要把它们读取到内存中，然后提供给GPU或是CPU进行计算就可以了。这听起来很容易，但事实远没有那么简单。**事实上，我们必须要把数据先读入后才能进行计算，假设读入用时0.1s，计算用时0.9s，那么就意味着每过1s，GPU都会有0.1s无事可做，这就大大降低了运算的效率。**

如何解决这个问题？方法就是将读入数据和计算分别放在两个线程中，将数据读入内存的一个队列，如下图所示：

![Image 1][]

**读取线程源源不断地将文件系统中的图片读入到一个内存的队列中，而负责计算的是另一个线程，计算需要数据时，直接从内存队列中取就可以了。这样就可以解决GPU因为IO而空闲的问题！**

而在tensorflow中，为了方便管理，在内存队列前又添加了一层所谓的**“文件名队列”**。

为什么要添加这一层文件名队列？我们首先得了解机器学习中的一个概念：epoch。对于一个数据集来讲，运行一个epoch就是将这个数据集中的图片全部计算一遍。如一个数据集中有三张图片A.jpg、B.jpg、C.jpg，那么跑一个epoch就是指对A、B、C三张图片都计算了一遍。两个epoch就是指先对A、B、C各计算一遍，然后再全部计算一遍，也就是说每张图片都计算了两遍。

tensorflow使用文件名队列+内存队列双队列的形式读入文件，可以很好地管理epoch。下面我们用图片的形式来说明这个机制的运行方式。如下图，还是以数据集A.jpg, B.jpg, C.jpg为例，假定我们要跑一个epoch，那么我们就在文件名队列中把A、B、C各放入一次，并在之后标注队列结束。

![Image 1][]

程序运行后，内存队列首先读入A（此时A从文件名队列中出队）：

![Image 1][]

再依次读入B和C：

![Image 1][]

此时，如果再尝试读入，系统由于检测到了“结束”，就会自动抛出一个异常（OutOfRange）。外部捕捉到这个异常后就可以结束程序了。这就是tensorflow中读取数据的基本机制。如果我们要跑2个epoch而不是1个epoch，那只要在文件名队列中将A、B、C依次放入两次再标记结束就可以了。

## 五、tensorflow读取数据机制的对应函数 ##

如何在tensorflow中创建上述的两个队列呢？

对于文件名队列，我们使用tf.train.string\_input\_producer函数。这个函数需要传入一个文件名list，系统会自动将它转为一个文件名队列。

此外tf.train.string\_input\_producer还有两个重要的参数，一个是num\_epochs，它就是我们上文中提到的epoch数。另外一个就是shuffle，shuffle是指在一个epoch内文件的顺序是否被打乱。若设置shuffle=False，如下图，每个epoch内，数据还是按照A、B、C的顺序进入文件名队列，这个顺序不会改变：

![Image 1][]

如果设置shuffle=True，那么在一个epoch内，数据的前后顺序就会被打乱，如下图所示：

![Image 1][]

在tensorflow中，内存队列不需要我们自己建立，我们只需要使用reader对象从文件名队列中读取数据就可以了，具体实现可以参考下面的实战代码。

除了tf.train.string\_input\_producer外，我们还要额外介绍一个函数：tf.train.start\_queue\_runners。初学者会经常在代码中看到这个函数，但往往很难理解它的用处，在这里，有了上面的铺垫后，我们就可以解释这个函数的作用了。

在我们使用tf.train.string\_input\_producer创建文件名队列后，整个系统其实还是处于“停滞状态”的，也就是说，我们文件名并没有真正被加入到队列中（如下图所示）。此时如果我们开始计算，因为内存队列中什么也没有，计算单元就会一直等待，导致整个系统被阻塞。

![Image 1][]

而使用tf.train.start\_queue\_runners之后，才会启动填充队列的线程，这时系统就不再“停滞”。此后计算单元就可以拿到数据并进行计算，整个程序也就跑起来了，这就是函数tf.train.start\_queue\_runners的用处。

![Image 1][]

## 六、实战代码 ##

我们用一个具体的例子感受tensorflow中的数据读取。如图，假设我们在当前文件夹中已经有A.jpg、B.jpg、C.jpg三张图片，我们希望读取这三张图片5个epoch并且把读取的结果重新存到read文件夹中。

![Image 1][]

对应的代码如下：

# 导入tensorflow
    import tensorflow as tf 
    
    # 新建一个Session
    with tf.Session() as sess:
        # 我们要读三幅图片A.jpg, B.jpg, C.jpg
        filename = ['A.jpg', 'B.jpg', 'C.jpg']
        # string_input_producer会产生一个文件名队列
        filename_queue = tf.train.string_input_producer(filename, shuffle=False, num_epochs=5)
        # reader从文件名队列中读数据。对应的方法是reader.read
        reader = tf.WholeFileReader()
        key, value = reader.read(filename_queue)
        # tf.train.string_input_producer定义了一个epoch变量，要对它进行初始化
        tf.local_variables_initializer().run()
        # 使用start_queue_runners之后，才会开始填充队列
        threads = tf.train.start_queue_runners(sess=sess)
        i = 0
        while True:
            i += 1
            # 获取图片数据并保存
            image_data = sess.run(value)
            with open('read/test_%d.jpg' % i, 'wb') as f:
                f.write(image_data)

我们这里使用filename\_queue = tf.train.string\_input\_producer(filename, shuffle=False, num\_epochs=5)建立了一个会跑5个epoch的文件名队列。并使用reader读取，reader每次读取一张图片并保存。

运行代码后，我们得到就可以看到read文件夹中的图片，正好是按顺序的5个epoch：

![Image 1][]

如果我们设置filename\_queue = tf.train.string\_input\_producer(filename, shuffle=False, num\_epochs=5)中的shuffle=True，那么在每个epoch内图像就会被打乱，如图所示：

![Image 1][]

**我们这里只是用三张图片举例，实际应用中一个数据集肯定不止3张图片，不过涉及到的原理都是共通的。**

作者：cheerss  
链接：https://www.jianshu.com/p/c83eedce50c9  
来源：简书  
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。

[关于Tensorflow 的数据读取环节][Tensorflow]：[https://www.cnblogs.com/bicker/p/8424538.html][Tensorflow]

[424966-20180206225745388-699164490.png]: /images/20220118/58af9cb9aa3c42838c81639b018bf1b7.png
[tf.ReaderBase]: https://www.tensorflow.org/api_docs/python/tf/ReaderBase
[tf.TFRecordReader]: https://www.tensorflow.org/api_docs/python/tf/TFRecordReader
[tf.TextLineReader]: https://www.tensorflow.org/api_docs/python/tf/TextLineReader
[tf.WholeFileReader]: https://www.tensorflow.org/api_docs/python/tf/WholeFileReader
[tf.IdentityReader]: https://www.tensorflow.org/api_docs/python/tf/IdentityReader
[tf.FixedLengthRecordReader]: https://www.tensorflow.org/api_docs/python/tf/FixedLengthRecordReader
[tf.decode_csv]: https://www.tensorflow.org/api_docs/python/tf/decode_csv
[tf.decode_raw]: https://www.tensorflow.org/api_docs/python/tf/decode_raw
[tf.image.decode_image]: https://www.tensorflow.org/api_docs/python/tf/image/decode_image
[424966-20180206231945873-633009497.gif]: /images/20220118/6aebac764c09460aa22338eb7d06dc95.png
[https_zhuanlan.zhihu.com_p_27238630]: https://zhuanlan.zhihu.com/p/27238630
[Image 1]: 
[Tensorflow]: https://www.cnblogs.com/bicker/p/8424538.html