Dataset類是TensorFlow非常流行的存儲數(shù)據(jù)的格式。常用來作為輸入輸出。data模塊主要的用途就是通過這種方法創(chuàng)建Dataset。

Dataset使用過程中的一些心得：

經(jīng)常將自變量X數(shù)據(jù)以及target數(shù)據(jù)以元組的形式包裹，如db_train=tf.data.Dataset.from_tensor_slices((x_train,y_train))，創(chuàng)建Dataset。模型的fit()方法可以自動的解包。

Dataset能夠包括比較靈活的類型，比如db_train=tf.data.Dataset.from_tensor_slices(({"features":features_train,"biomass_start":biomass_start_trarin},y_train))。因為數(shù)據(jù)最外部依然是最外部包裹，所以model的fit()依然可以自動的對x以及target解包。但由于dataset保存component是以原始數(shù)據(jù)的形式保存的。所以，fit()里的inputs一般是這個樣子：

{'features': <tf.Tensor 'my_rnn/Cast_1:0' shape=(None, 5, 4) dtype=float32>, 'biomass_start': <tf.Tensor 'my_rnn/Cast:0' shape=(None, 1) dtype=float32>}

對于字典內(nèi)部部分，需要手動的自己解包。這樣的好處是，給我們自定義模型的結(jié)構(gòu)提供的很大的遍歷，輸入一部分導入A網(wǎng)絡(luò)，一部分導入不同的B網(wǎng)絡(luò)。

Dataset作為模型的輸入，需要設(shè)定batch()。而不在模型內(nèi)設(shè)定batch。更加方便。然而Dataset作為迭代器，迭代完成后再次迭代數(shù)據(jù)，生成數(shù)據(jù)的前后數(shù)據(jù)是不一樣的。需要注意。

batch的drop_remainder=True參數(shù)比較重要，只有設(shè)定為True，input接下來的層還能正確的識別shape

Dataset的常用屬性

Dataset.element_spec

這個屬性可以檢測每一個元素中的component的類型。返回的是一個tf.TypeSpec對象。這個對象的結(jié)構(gòu)跟元素的結(jié)構(gòu)是一致的。

dataset1 = tf.data.Dataset.from_tensor_slices(tf.random.uniform([4, 10]))

dataset1.element_spec
#TensorSpec(shape=(10,), dtype=tf.float32, name=None)
dataset2 = tf.data.Dataset.from_tensor_slices(
? ?(tf.random.uniform([4]),
? ? tf.random.uniform([4, 100], maxval=100, dtype=tf.int32)))

dataset2.element_spec
# 標量和向量
# (TensorSpec(shape=(), dtype=tf.float32, name=None),
#TensorSpec(shape=(100,), dtype=tf.int32, name=None))
dataset = tf.data.Dataset.from_tensor_slices(([1, 2], [3, 4], [5, 6]))
dataset.element_spec?
#(TensorSpec(shape=(), dtype=tf.int32, name=None),
# TensorSpec(shape=(), dtype=tf.int32, name=None),
# TensorSpec(shape=(), dtype=tf.int32, name=None))

# 注意這里是字典類型
dataset = tf.data.Dataset.from_tensor_slices({"a": [1, 2], "b": [3, 4]})
dataset.element_spec
#{'a': TensorSpec(shape=(), dtype=tf.int32, name=None),
# 'b': TensorSpec(shape=(), dtype=tf.int32, name=None)}

Dataset的常用方法

apply方法

對dataset進行轉(zhuǎn)換。

dataset = tf.data.Dataset.range(100)
def dataset_fn(ds):
  return ds.filter(lambda x: x < 5)
dataset = dataset.apply(dataset_fn)
list(dataset.as_numpy_iterator())

as_numpy_iterator

dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3])
for element in dataset.as_numpy_iterator():
  print(element)

這個在dataset比較常用。就是將dataset變成迭代器，將所有元素都變成numy對象輸出

shuffle

shuffle(
    buffer_size, seed=None, reshuffle_each_iteration=None, name=None
)

參數(shù)：

• buffer_size：緩沖區(qū)大小
• seed：隨機種子
• reshuffle_each_iteration：bool. 如果為真，表示每次迭代時數(shù)據(jù)集完成后都應(yīng)該是進行偽隨機重新洗牌的。控制每個epoch的洗牌順序是否不同。

這個方法用來隨機打亂數(shù)據(jù)集的元素順序。數(shù)據(jù)集用buffer_size元素填充一個緩沖區(qū)，然后從這個緩沖區(qū)隨機取樣元素，用新元素替換選中的元素。例如，如果您的數(shù)據(jù)集包含10,000個元素，但是buffer_size被設(shè)置為1,000，那么shuffle將首先從緩沖區(qū)中的前1,000個元素中選擇一個隨機元素。一旦一個元素被選中，它在緩沖區(qū)中的空間就會被下一個(比如第1001個)元素替換，從而保持這個1,000元素緩沖區(qū)。為了實現(xiàn)完美的洗牌，需要一個大于或等于數(shù)據(jù)集完整大小的緩沖區(qū)。

dataset = tf.data.Dataset.range(3)
# 每個每個epoch重新洗牌
dataset = dataset.shuffle(3, reshuffle_each_iteration=True)
list(dataset.as_numpy_iterator())
# [1, 0, 2]
list(dataset.as_numpy_iterator())
# [1, 2, 0]
dataset = tf.data.Dataset.range(3)
# 每個每個epoch不重新洗牌
dataset = dataset.shuffle(3, reshuffle_each_iteration=False)
list(dataset.as_numpy_iterator())
# [1, 0, 2]
list(dataset.as_numpy_iterator())
# [1, 0, 2]

batch

batch(
    batch_size,
    drop_remainder=False,
    num_parallel_calls=None,
    deterministic=None,
    name=None
)

參數(shù):

• batch_size: 批處理大小
• drop_remainder：是否刪除最后一個短batch。==這個比較重要，只有設(shè)定為Ture，model才能正確的判斷其輸入的shape。==這也比較合理，指定為Falsel，因為誰也不知道后面是不是有一個比較短的batch，只有第一維是None，才能提高程序的穩(wěn)定性。
• num_parallel_calls：并行計算的數(shù)量。不指定會順序執(zhí)行。如果有 tf.data.AUTOTUNE，會自動動態(tài)的制定這個值。
• deterministic：bool. 指定了num_parallel_calls，才有效。如果設(shè)置為False，則允許轉(zhuǎn)換產(chǎn)生無序元素，以犧牲確定性來換取性能。如果不指定，tf.data.Options.deterministic控制這個行為（默認為True）
• name: 標識符

這個方法經(jīng)常使用，將dataset進行批處理化。因為數(shù)據(jù)集比較大的時候，一下子完全進行訓練占用大量的內(nèi)存。所以用分批處理。輸出的元素增加了一個額外的維度，就是batch維，shape是batch的size.

batch支持一個drop_remainder=True關(guān)鍵字，為真意味著，最后一個batch的size如果小于我們指定值，就會被舍棄。

之所以要刪掉最后一個短的batch，是因為如果我們的項目依賴這個batch的size，那最后一個batch不等長，可能會出錯。

import tensorflow as tf
from tensorflow.python.data import Dataset

dataset = tf.data.Dataset.range(8)
dataset = dataset.batch(3)
print(list(dataset.as_numpy_iterator()))
# 通過這個看到這個elem也已經(jīng)是分批了
for elem in dataset:
? ? print(elem)

# tf.Tensor([0 1 2], shape=(3,), dtype=int64)
# tf.Tensor([3 4 5], shape=(3,), dtype=int64)
# tf.Tensor([6 7], shape=(2,), dtype=int64)

for elem in dataset.as_numpy_iterator():
? ? print(elem)

# [0 1 2]
# [3 4 5]
# [6 7]
dataset = tf.data.Dataset.range(8)
# drop_remainder舍掉最后一個長度不夠的batch
dataset = dataset.batch(3, drop_remainder=True)
list(dataset.as_numpy_iterator())

一般情況下，shuffle跟batch是連續(xù)使用的，實現(xiàn)隨機讀取并批量處理數(shù)據(jù)：dataset.shuffle(buffer_size).batch(batchsize)

不能對已經(jīng)batch的dataset進行連續(xù)的batch操作，其batchsize不會改變，而是生成了新的異常數(shù)據(jù)

unbatch

unbatch(
    name=None
)

這里是將Batchdataset這樣的dataset分割為一個個元素，元素的格式跟定義時的格式是一樣的。而且，這里固定的是對第1個維度進行split操作，且生成shape[0]個元素。

reduce方法

reduce(
    initial_state, reduce_func, name=None
)

將輸入數(shù)據(jù)集簡化為一個元素。 reduce_func作用于dataset中每一個元素，輸出其dataset的聚合信息。

參數(shù)initial_state代表進行reduce之前的初始狀態(tài)。reduce_func要接收old_state, input_element兩個參數(shù)，然后生成新的狀態(tài)newstate。old_state和new_state的結(jié)構(gòu)要一致。

dataset = tf.data.Dataset.from_tensor_slices([8, 3, 0, 8, 2, 1])
print(dataset.reduce(0, lambda state, value: state + value).numpy())
# 22

dataset不支持tf.split屬性，也不能直接把dataset給切分為訓練集和測試集。

到此這篇關(guān)于Tensorflow的DataSet的使用詳解的文章就介紹到這了,更多相關(guān)Tensorflow DataSet內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！