一、程序介绍

1、包导入

# Author : Hellcat# Time   : 17-12-29import osimport numpy as np np.set_printoptions(threshold=np.inf)import tensorflow as tfconfig = tf.ConfigProto()config.gpu_options.allow_growth = Truesess = tf.Session(config=config)from tensorflow.examples.tutorials.mnist import input_data

2、TFRecord录入格式转换

TFRecord的录入格式是确定的，整数或者二进制，在train函数中能查看所有可以接受类型

def _int64_feature(value):    """生成整数数据属性"""    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))def _bytes_feature(value):    """生成字符型数据属性"""    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

3、TFRecord文件写入测试

将mnist数据以每张图片为单位写入同一个TFR文件，

实际上就是每次把一个图片相关信息都写入，注意文件类型，二级制数据需要以string的格式保存

def TFRecord_write():    """将mnist数据集写入TFR文件"""    mnist = input_data.read_data_sets('./Data_Set/Mnist_data',                                      dtype=tf.uint8,one_hot=True)    images = mnist.train.images    labels = mnist.train.labels    pixels = images.shape[1]                     # 784    num_examples = mnist.train.num_examples      # 55000    # TFRecords文件地址    filename = './TFRecord_Output/mnist_train.tfrecords'    if not os.path.exists('./TFRecord_Output/'):        os.makedirs('./TFRecord_Output/')    # 创建一个writer书写文件    writer = tf.python_io.TFRecordWriter(filename)    for index in range(num_examples):        # 提取单张图像矩阵并转换为字符串        image_raw = images[index].tostring()        # 将单张图片相关数据写入TFR文件        example = tf.train.Example(features=tf.train.Features(feature={            'pixels':  _int64_feature(pixels),            'label':   _int64_feature(np.argmax(labels[index])),            'img_raw': _bytes_feature(image_raw)        }))        writer.write(example.SerializeToString())  # 序列化为字符串    writer.close()

调用，

if __name__=='__main__':    TFRecord_write()

输出如下，

4、TFRecord文件读取测试

实际的读取基本单位和存入的基本单位是一一对应的，当然也可以复数读取，但是由于tf后续有batch拼接的函数，所以意义不大

def TFRecord_read():    """从TFR文件读取mnist数据集合"""    # 创建一个reader读取文件    reader = tf.TFRecordReader()    # 创建读取文件队列维护文件列表    filename_queue = tf.train.string_input_producer(['./TFRecord_Output/mnist_train.tfrecords'])    # 读取数据    # 每次读取一个    # _, serialized_example = reader.read(filename_queue)    # 每次读取多个    _, serialized_example = reader.read_up_to(filename_queue,10)    # 解析样例    # 解析函数选择必须和上面读取函数选择相一致    # 解析单个样例    # features = tf.parse_single_example(    # 同时解析所有样例    features = tf.parse_example(        serialized_example,        features={            'img_raw': tf.FixedLenFeature([],tf.string),            'pixels':    tf.FixedLenFeature([],tf.int64),            'label':    tf.FixedLenFeature([],tf.int64),        })    # 解析二进制数据格式,将之按照uint8格式解析    images = tf.decode_raw(features['img_raw'],tf.uint8)    labels = tf.cast(features['label'],tf.int32)    pixels = tf.cast(features['pixels'],tf.int32)    batch_size = 2    capacity = 1000 + 3 * batch_size    images.set_shape([10,784])    labels.set_shape(10)    pixels.set_shape(10)    image_batch, label_batch, pixel_batch = tf.train.batch(        [images, labels, pixels], batch_size=batch_size, capacity=capacity)    # 线程控制器    coord = tf.train.Coordinator()    threads = tf.train.start_queue_runners(sess=sess,coord=coord) # 这里指代的是读取数据的线程，如果不加的话队列一直挂起    for i in range(10):        # print(images, labels, pixels)        # print(sess.run(images))        image, label, pixel = sess.run([image_batch,label_batch,pixel_batch])        # image, label, pixel = sess.run([images,labels,pixels])        print(image.shape,label,pixel)

输出，

拼接batch尺寸为2，每次读取10个数据

可以看到，这里batch尺寸指定的实际上是读取次数

(2, 10, 784)

[[7 3 4 6 1 8 1 0 9 8]

 [0 3 1 2 7 0 2 9 6 0]]

[[784 784 784 784 784 784 784 784 784 784]

 [784 784 784 784 784 784 784 784 784 784]]

……

注意读取数目和解析数目选择的函数是要对应的，

# 读取数据# 每次读取一个# _, serialized_example = reader.read(filename_queue)# 每次读取多个，这里指定10个_, serialized_example = reader.read_up_to(filename_queue,10)# 解析样例# 解析函数选择必须和上面读取函数选择相一致# 解析单个样例# features = tf.parse_single_example()# 同时解析所有样例features = tf.parse_example()

 值得注意的是这句，

threads = tf.train.start_queue_runners(sess=sess,coord=coord)

虽然后续未必会调用（coord实际上还是会调用用于协调停止），但实际上控制着队列的数据读取部分的启动，注释掉后会导致队列有出无进进而挂起。

5、TFRecord文件批量生成

def TFR_gen():    """TFR样例数据生成"""    # 定义写多少个文件(数据量大时可以写入多个文件加速)    num_shards = 2    # 定义每个文件中放入多少数据    instances_per_shard = 2    for i in range(num_shards):        file_name = './TFRecord_Output/data.tfrecords-{}-of-{}'.format(i,num_shards)        writer = tf.python_io.TFRecordWriter(file_name)        for j in range(instances_per_shard):            example = tf.train.Example(features=tf.train.Features(feature={                'i':_int64_feature(i),                'j':_int64_feature(j),                'list':_bytes_feature(bytes([1,2,3]))            }))            writer.write(example.SerializeToString())  # 序列化为字符串        writer.close()

 输出如下，

6、TFRecord文件读取测试

def TFR_load():    """批量载入TFR数据"""    # 匹配文件名    files = tf.train.match_filenames_once('./TFRecord_Output/data.tfrecords-*')    import glob    # files = glob.glob('./TFRecord_Output/data.tfrecords-*')    # 载入文件名    filename_queue = tf.train.string_input_producer(files,shuffle=True)    reader = tf.TFRecordReader()    _,serialized_example = reader.read(filename_queue)    features = tf.parse_single_example(        serialized_example,        features={            'i':tf.FixedLenFeature([],tf.int64),            'j':tf.FixedLenFeature([],tf.int64),            'list':tf.FixedLenFeature([],tf.string)        })    '''    # tf.train.match_filenames_once操作中产生了变量    # 值得注意的是局部变量，需要用下面的初始化函数初始化    sess.run(tf.local_variables_initializer())    print(sess.run(files))    coord = tf.train.Coordinator()    threads = tf.train.start_queue_runners(sess=sess,coord=coord)    for i in range(6):        print(sess.run([features['i'],features['j']]))    coord.request_stop()    coord.join(threads)    '''    example, label, array = features['i'], features['j'], features['list']    # 每个batch的中样例的个数    batch_size = 3    # 队列中样例的个数    capacity = 1000 + 3 * batch_size    suffer = False    # batch操作实际代指的就是数据读取和预处理操作    if suffer is not True:        example_batch, label_batch, array_batch = tf.train.batch(            [example, label, array], batch_size=batch_size, capacity=capacity)    else:        # 不同线程处理各自的文件        # 随机包含各个线程选择文件名的随机和文件内部数据读取的随机        example_batch, label_batch, array_batch = tf.train.shuffle_batch(            [example, label, array], batch_size=batch_size, capacity=capacity,            min_after_dequeue=30)    sess.run(tf.local_variables_initializer())    coord = tf.train.Coordinator()    threads = tf.train.start_queue_runners(sess=sess, coord=coord)  # 这里指代的是读取数据的线程，如果不加的话队列一直挂起    for i in range(2):        cur_example_batch, cur_label_batch, cur_array_batch = sess.run([example_batch, label_batch, array_batch])        print(cur_example_batch, cur_label_batch, cur_array_batch)    coord.request_stop()    coord.join(threads)

注意下面介绍，

# tf.train.match_filenames_once操作中产生了变量# 值得注意的是局部变量，需要用下面的初始化函数初始化sess.run(tf.local_variables_initializer())

batch生成的两个函数如下，

suffer = False# batch操作实际代指的就是数据读取和预处理操作if suffer is not True:   example_batch, label_batch, array_batch = tf.train.batch(       [example, label, array], batch_size=batch_size, capacity=capacity)else:    # 不同线程处理各自的文件    # 随机包含各个线程选择文件名的随机和文件内部数据读取的随机    example_batch, label_batch, array_batch = tf.train.shuffle_batch(        [example, label, array], batch_size=batch_size, capacity=capacity,        min_after_dequeue=30)

• 单一文件多线程，那么选用tf.train.batch（需要打乱样本，有对应的tf.train.shuffle_batch）
• 多线程多文件的情况，一般选用tf.train.batch_join来获取样本（打乱样本同样也有对应的tf.train.shuffle_batch_join使用）

二、batch和batch_join的说明

1、文件准备

$ echo -e "Alpha1,A1\nAlpha2,A2\nAlpha3,A3" > A.csv  $ echo -e "Bee1,B1\nBee2,B2\nBee3,B3" > B.csv  $ echo -e "Sea1,C1\nSea2,C2\nSea3,C3" > C.csv  $ cat A.csv  Alpha1,A1  Alpha2,A2  Alpha3,A3

2、单个Reader，单个样本

import tensorflow as tf  # 生成一个先入先出队列和一个QueueRunner  filenames = ['A.csv', 'B.csv', 'C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  # 定义Reader  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  # 定义Decoder  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  # 运行Graph  with tf.Session() as sess:      coord = tf.train.Coordinator()  #创建一个协调器，管理线程      threads = tf.train.start_queue_runners(coord=coord)  #启动QueueRunner, 此时文件名队列已经进队。      for i in range(10):          print example.eval()   #取样本的时候，一个Reader先从文件名队列中取出文件名，读出数据，Decoder解析后进入样本队列。      coord.request_stop()      coord.join(threads)  # outpt  # Alpha1  # Alpha2  # Alpha3  # Bee1  # Bee2  # Bee3  # Sea1  # Sea2  # Sea3  # Alpha1

3、单个Reader，多个样本

import tensorflow as tf  filenames = ['A.csv', 'B.csv', 'C.csv'] ## filenames = tf.train.match_filenames_once('.\data\*.csv') filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  # 使用tf.train.batch()会多加了一个样本队列和一个QueueRunner。Decoder解后数据会进入这个队列，再批量出队。  # 虽然这里只有一个Reader，但可以设置多线程，相应增加线程数会提高读取速度，但并不是线程越多越好。  example_batch, label_batch = tf.train.batch(        [example, label], batch_size=5)  with tf.Session() as sess:      coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)      for i in range(10):          print example_batch.eval()      coord.request_stop()      coord.join(threads)  # output  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  # ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']  # ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']  # ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']  # ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']  # ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']  # ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']  # ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']  # ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']

4、多Reader，多个样本

import tensorflow as tf  filenames = ['A.csv', 'B.csv', 'C.csv']  filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  reader = tf.TextLineReader()  key, value = reader.read(filename_queue)  record_defaults = [['null'], ['null']]  example_list = [tf.decode_csv(value, record_defaults=record_defaults)                    for _ in range(2)]  # Reader设置为2  # 使用tf.train.batch_join()，可以使用多个reader，并行读取数据。每个Reader使用一个线程。  example_batch, label_batch = tf.train.batch_join(        example_list, batch_size=5)  with tf.Session() as sess:      coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)      for i in range(10):          print example_batch.eval()      coord.request_stop()      coord.join(threads)  # output  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']  # ['Bee3' 'Sea1' 'Sea2' 'Sea3' 'Alpha1']  # ['Alpha2' 'Alpha3' 'Bee1' 'Bee2' 'Bee3']  # ['Sea1' 'Sea2' 'Sea3' 'Alpha1' 'Alpha2']  # ['Alpha3' 'Bee1' 'Bee2' 'Bee3' 'Sea1']  # ['Sea2' 'Sea3' 'Alpha1' 'Alpha2' 'Alpha3']  # ['Bee1' 'Bee2' 'Bee3' 'Sea1' 'Sea2']  # ['Sea3' 'Alpha1' 'Alpha2' 'Alpha3' 'Bee1']  # ['Bee2' 'Bee3' 'Sea1' 'Sea2' 'Sea3']  # ['Alpha1' 'Alpha2' 'Alpha3' 'Bee1' 'Bee2']

tf.train.batch与tf.train.shuffle_batch'数是单个Reader读取，但是可以多线程。tf.train.batch_join'和tf.train.shuffle_batch_join可设置多Reader读取，每个Reader使用一个线程。至于两种方法的效率，单Reader时，2个线程就达到了速度的极限。多Reader时，2个Reader就达到了极限。所以并不是线程越多越快，甚至更多的线程反而会使效率下降。

 

在这个例子中， 虽然只使用了一个文件名队列， 但是TensorFlow依然能保证多个文件阅读器从同一次迭代(epoch)的不同文件中读取数据，知道这次迭代的所有文件都被开始读取为止。（通常来说一个线程来对文件名队列进行填充的效率是足够的）

另一种替代方案是： 使用,设置num_threads的值大于1。 这种方案可以保证同一时刻只在一个文件中进行读取操作(但是读取速度依然优于单线程)，而不是之前的同时读取多个文件。这种方案的优点是：

• 避免了两个不同的线程从同一个文件中读取同一个样本。
• 避免了过多的磁盘搜索操作。

简单来说，

单一文件多线程，那么选用tf.train.batch（需要打乱样本，有对应的tf.train.shuffle_batch）

多线程多文件的情况，一般选用tf.train.batch_join来获取样本（打乱样本同样也有tf.train.shuffle_batch_join）