2

我有一个大型数据集，我想用它来训练 Tensorflow。

数据以压缩的 numpy 格式存储（使用numpy.savez_compressed）。由于生成方式的不同，每个文件的图像数量可变。

目前我使用基于 Keras 序列的生成器对象进行训练，但我想在没有 Keras 的情况下完全迁移到 Tensorflow。

我正在查看 TF 网站上的 Dataset API，但不清楚如何使用它来读取 numpy 数据。

我的第一个想法是这个

import glob
import tensorflow as tf
import numpy as np

def get_data_from_filename(filename):
   npdata = np.load(open(filename))
   return npdata['features'],npdata['labels']

# get files
filelist = glob.glob('*.npz')

# create dataset of filenames
ds = tf.data.Dataset.from_tensor_slices(filelist)
ds.flat_map(get_data_from_filename)

但是，这会将 TF 张量占位符传递给真正的 numpy 函数，并且 numpy 需要一个标准字符串。这会导致错误：

File "test.py", line 6, in get_data_from_filename
   npdata = np.load(open(filename))
TypeError: coercing to Unicode: need string or buffer, Tensor found

我正在考虑的另一个选项（但看起来很乱）是创建一个基于 TF 占位符的 Dataset 对象，然后在我的 epoch-batch 循环中从我的 numpy 文件中填充该对象。

有什么建议么？

4

1 回答 1

2

您可以定义一个包装器并像这样使用 pyfunc：

def get_data_from_filename(filename):
   npdata = np.load(filename)
   return npdata['features'], npdata['labels']

def get_data_wrapper(filename):
   # Assuming here that both your data and label is float type.
   features, labels = tf.py_func(
       get_data_from_filename, [filename], (tf.float32, tf.float32)) 
   return tf.data.Dataset.from_tensor_slices((features, labels))

# Create dataset of filenames.
ds = tf.data.Dataset.from_tensor_slices(filelist)
ds.flat_map(get_data_wrapper)

如果您的数据集非常大并且存在内存问题，则可以考虑使用interleave或parallel_interleave和from_generator方法的组合。from_generator 方法在内部使用 py_func，因此您可以直接读取您的 np 文件，然后在 python 中定义您的生成器。

于 2018-11-29T19:09:42.333 回答