tensorflow有三种把数据放入计算图中的方式:
第一个和第三个都很简单,本文主要介绍的是第二种.
考虑一个场景:我们有大量的数据,无法一次导入内存,那我们一次就只能导入几个nimi-batch
,然后进行训练,然后再导入几个mini-batch
然后再进行训练.可能你会想,为什么我们不能在训练的时候,并行的导入下次要训练的几个mini-batch
呢?幸运的是,tensorflow已经提供了这个机制.也许你还会问,既然你可以在训练前个mini-batch
的时候把要训练的下几个mini-batch
导进来,那么内存是足够将两次的mini-batch
都导入进来的,为什么我们不直接把两次的mini-batch
都导入呢,占满整个内存.实际上,这种方法,相比之前所述的流水线似的方法,还是慢的.
现在来看tensorflow给我们提供了什么
Queue
,队列,用来存放数据(跟Variable
似的),tensorflow
中的Queue
中已经实现了同步机制,所以我们可以放心的往里面添加数据还有读取数据.如果Queue
中的数据满了,那么en_queue
操作将会阻塞,如果Queue
是空的,那么dequeue
操作就会阻塞.在常用环境中,一般是有多个en_queue
线程同时像Queue
中放数据,有一个dequeue
操作从Queue
中取数据.一般来说enqueue
线程就是准备数据的线程,dequeue
线程就是训练数据的线程.
Coordinator
就是用来帮助多个线程同时停止.线程组需要一个Coordinator
来协调它们之间的工作.
# Thread body: loop until the coordinator indicates a stop was requested.
# If some condition becomes true, ask the coordinator to stop.
#将coord传入到线程中,来帮助它们同时停止工作
def MyLoop(coord):
while not coord.should_stop():
...do something...
if ...some condition...:
coord.request_stop()
# Main thread: create a coordinator.
coord = tf.train.Coordinator()
# Create 10 threads that run 'MyLoop()'
threads = [threading.Thread(target=MyLoop, args=(coord,)) for i in xrange(10)]
# Start the threads and wait for all of them to stop.
for t in threads:
t.start()
coord.join(threads)
QueueRunner
创建多个线程对Queue
进行enqueue
操作.它是一个op
.这些线程可以通过上面所述的Coordinator
来协调它们同时停止工作.
example = ...ops to create one example...
# Create a queue, and an op that enqueues examples one at a time in the queue.
queue = tf.RandomShuffleQueue(...)
enqueue_op = queue.enqueue(example)
#当enqueue_many中的数量多余`Queue`中剩余的数量时,会阻塞
#init = q.enqueue_many(([1.2,2.1,3.3],))
# Create a training graph that starts by dequeuing a batch of examples.
inputs = queue.dequeue_many(batch_size)
train_op = ...use 'inputs' to build the training part of the graph...
# Create a queue runner that will run 4 threads in parallel to enqueue
# examples.
#定义了四个`enqueue`线程,但是还没有执行
qr = tf.train.QueueRunner(queue, [enqueue_op] * 4)
# Launch the graph.
sess = tf.Session()
# Create a coordinator, launch the queue runner threads.
coord = tf.train.Coordinator()
#执行 enqueue线程,像queue中放数据
enqueue_threads = qr.create_threads(sess, coord=coord, start=True)
# Run the training loop, controlling termination with the coordinator.
for step in xrange(1000000):
if coord.should_stop():
break
sess.run(train_op)
# When done, ask the threads to stop.
coord.request_stop()
# And wait for them to actually do it.
coord.join(enqueue_threads)
有了这些基础,我们来看一下tensorflow的input-pipeline
我们先梳理一些之前说的东西.Queue
是一个队列,QueueRunner
用来创建多个线程对Queue
进行enqueue
操作.Coordinator
可用来协调QueueRunner
创建出来的线程共同停止工作.
下面来看tensorflow的输入流水线.
Reader
从文件中读取数据即:(文件名 -> reader -> decoder)
从文件里读数据,读完了,就换另一个文件.文件名放在string_input_producer
中.
下面的代码是来自官网的一个示例
import tensorflow as tf
#一个Queue,用来保存文件名字.对此Queue,只读取,不dequeue
filename_queue = tf.train.string_input_producer(["file0.csv", "file1.csv"])
#用来从文件中读取数据, LineReader,每次读一行
reader = tf.TextLineReader()
key, value = reader.read(filename_queue)
# Default values, in case of empty columns. Also specifies the type of the
# decoded result.
record_defaults = [[1], [1], [1], [1], [1]]
col1, col2, col3, col4, col5 = tf.decode_csv(
value, record_defaults=record_defaults)
features = tf.stack([col1, col2, col3, col4])
with tf.Session() as sess:
# Start populating the filename queue.
coord = tf.train.Coordinator()
#在调用run或eval执行读取之前,必须
#用tf.train.start_queue_runners来填充队列
threads = tf.train.start_queue_runners(coord=coord)
for i in range(10):
# Retrieve a single instance:
example, label = sess.run([features, col5])
print(example, label)
coord.request_stop()
coord.join(threads)
我们来一步步解析它,
先来看第一个APItf.train.string_input_producer(["file0.csv", "file1.csv"])
,看一下里面的代码怎么实现的.在追到input_producer
时,我们会看到下面这些代码.
q = data_flow_ops.FIFOQueue(capacity=capacity,
dtypes=[input_tensor.dtype.base_dtype],
shapes=[element_shape],
shared_name=shared_name, name=name)
enq = q.enqueue_many([input_tensor])
queue_runner.add_queue_runner(
queue_runner.QueueRunner(
q, [enq], cancel_op=cancel_op))
if summary_name is not None:
summary.scalar(summary_name,
math_ops.cast(q.size(), dtypes.float32) * (1. / capacity))
return q
看到这,我们就很清楚tf.train.string_input_producer(["file0.csv", "file1.csv"])
到底干了啥了:
Queue
enqueue_op
QueueRunner
创建一个线程来执行enqueue_op
,并把QueueRunner
放入collection
中Queue
如今文件名已经用一个Queue
管理好了,下一步就是如何从文件中读数据与解析数据了.
reader = tf.TextLineReader() #创建一个读取数据的对象
key, value = reader.read(filename_queue)# 开始读取数据
对读取的一个数据进行解析,然后进行一些预处理
record_defaults = [[1], [1], [1], [1], [1]]
col1, col2, col3, col4, col5 = tf.decode_csv(
value, record_defaults=record_defaults)
解析完数据之后,我们就获得了一个样本的data
和label
Tensor
.
现在我们就想了,能否通过Queue
机制,利用多线程准备好batch
数据,然后我们通过dequeue
来获得一个mini-batch
的样本呢?这个 tensorflow
也给出了解决方案.
#定义数据的读取与解析规则
def read_my_file_format(filename_queue):
reader = tf.SomeReader()
key, record_string = reader.read(filename_queue)
example, label = tf.some_decoder(record_string)
processed_example = some_processing(example)
return processed_example, label
def input_pipeline(filenames, batch_size, num_epochs=None):
filename_queue = tf.train.string_input_producer(
filenames, num_epochs=num_epochs, shuffle=True)
example, label = read_my_file_format(filename_queue)
# min_after_dequeue defines how big a buffer we will randomly sample
# from -- bigger means better shuffling but slower start up and more
# memory used.
# capacity must be larger than min_after_dequeue and the amount larger
# determines the maximum we will prefetch. Recommendation:
# min_after_dequeue + (num_threads + a small safety margin) * batch_size
#dequeue后的所剩数据的最小值
min_after_dequeue = 10000
#queue的容量
capacity = min_after_dequeue + 3 * batch_size
example_batch, label_batch = tf.train.shuffle_batch(
[example, label], batch_size=batch_size, capacity=capacity,
min_after_dequeue=min_after_dequeue)
return example_batch, label_batch
这里面重要的一个方法就是tf.train.shuffle_batch
,它所干的事情有:
RandomShuffleQueue
用来保存样本QueueRunner
创建多个enqueue
线程向Queue
中放数据dequeue_many
OPdequeue_many
OP然后我们就可以使用dequeue
出来的mini-batch
来训练网络了.
tfrecords
制作和解码时候,API接口是有一些对应关系的, 下面来看一下这些对应关系.
#制作时期
tf.train.Feature(int64_list=tf.train.Int64List(value=[1.0]))
#解码时期
tf.FixedLenFeature([],tf.int64) # 返回 1.0
tf.FixedLenFeature([1],tf.int64) # 返回 [1.0]
#对于之前的制作代码,这两种解码策略都是可以的,只不过返回的不同.
#制作时期
tf.train.Feature(int64_list=tf.train.Int64List(value=[1.0, 2.0]))
#解码时期
tf.FixedLenFeature([2],tf.int64) # 返回[1.0, 2.0]
#对于bytes,制作时期
tf.train.Feature(bytes_list=tf.train.BytesList(value=[bytestring]))
#解码时期
tf.FixedLenFeature([],tf.string)
tf.FixedLenFeature([1],tf.string)
# 如果在制作过程中, value 的长度是变化的话,解码的时候是需要用tf.VarLenFeature(dtype)了
# 上述只是说 value的长度变化, 而不是说 bytestring 的大小变化,如果bytestring变化的话,是不需要担心的,
# 一个例子就是,如果制作tfrecords的图片大小是变化的,这时候改变的只是bytestring的大小,但是value的长度
# 还是1,这时候用FixedLenFeature解码是可以正确还原数据的.
tf.train.FloatList 保存的是 float32
还是 float64
: 是 float32
。