TF數據讀取隊列機制詳解

一、TFR文件多線程隊列讀寫操作

TFRecod文件寫入操作

import tensorflow as tf def _int64_feature(value):# value必須是可迭代對象# 非int的數據使用bytes取代int64即可return tf.train.Feature(int64_list=tf.train.Int64List(value=[value])) num_shards = 2 instance_perPshard = 2 for i in range(num_shards):filename = ('FTR/data.tfrecords-%.5d-of-%.5d' % (i, num_shards))writer = tf.python_io.TFRecordWriter(filename) #<---------書寫器打開for j in range(instance_perPshard):example = tf.train.Example(features=tf.train.Features(feature={ #<---------書寫入緩沖區'i':_int64_feature(i),'j':_int64_feature(j)}))writer.write(example.SerializeToString()) #<---------書寫入實際文件writer.close() #<---------書寫器關閉

TFRecod文件讀取操作

默認多線程，這個默認的多線程過程用于維護文件名隊列

'''讀取TFR'''files = ["FTR/data.tfrecords-00000-of-00002","FTR/data.tfrecords-00001-of-00002"] # files = tf.train.match_filenames_once("FTR/data.tfrecords-*")# 輸入文件名列表 # 返回QueueRunner & FIFOQueue # 打亂順序&加入隊列 和 輸出隊列獲取文件 屬于單獨的線程 filename_queue = tf.train.string_input_producer(files, shuffle=False) #<---------輸入文件隊列 reader = tf.TFRecordReader() #<---------讀取器打開 _,serialized_example = reader.read(filename_queue) #<---------讀取原始文件 features = tf.parse_single_example( #<---------讀取解析后文件serialized_example,features={'i':tf.FixedLenFeature([],tf.int64),'j':tf.FixedLenFeature([],tf.int64)})with tf.Session() as sess:tf.global_variables_initializer().run()coord = tf.train.Coordinator() #<---------多線程threads = tf.train.start_queue_runners(sess=sess,coord=coord) #<---------文件名隊列填充線程啟動for i in range(6):print(sess.run([features['i'],features['j']])) #<---------實際會話中啟動讀取過程coord.request_stop() #<---------多線程coord.join(threads) #<---------多線程

TFRecod文件打包操作

打包機制：

——————多線程調用前面的節點計算入隊

——————批量出隊并打包

所以不需要修改解析讀取數據過程為循環之類的，可以說很是方便

example_batch, label_batch = tf.train.batch([example, label], #<---------多線程batch生成batch_size=batch_size,num_threads=3,capacity=capacity)example_batch, label_batch = tf.train.shuffle_batch([example, label], #<---------多線程隨機batch生成batch_size=batch_size,num_threads=3,capacity=capacity,min_after_dequeue=30) 由于元素太少隨機意義就不大了，所以多了個參數

?使用范例，

files = ["FTR/data.tfrecords-00000-of-00002","FTR/data.tfrecords-00001-of-00002"] # files = tf.train.match_filenames_once("FTR/data.tfrecords-*")# 輸入文件名列表 # 返回QueueRunner & FIFOQueue # 打亂順序&加入隊列 和 輸出隊列獲取文件 屬于單獨的線程 filename_queue = tf.train.string_input_producer(files, shuffle=False) #<---------輸入文件隊列 reader = tf.TFRecordReader() #<---------讀取 _,serialized_example = reader.read(filename_queue) #<---------讀取 features = tf.parse_single_example( #<---------讀取serialized_example,features={'i':tf.FixedLenFeature([],tf.int64),'j':tf.FixedLenFeature([],tf.int64)})example, label = features['i'], features['j'] batch_size = 2 capacity = 1000 + 3 * batch_size# 入隊單個樣例，出隊batch # 可以指定多個線程同時執行入隊操作 example_batch, label_batch = tf.train.batch([example, label], #<---------多線程batch生成batch_size=batch_size,num_threads=3,capacity=capacity) with tf.Session() as sess:tf.global_variables_initializer().run()coord = tf.train.Coordinator() #<---------多線程管理器threads = tf.train.start_queue_runners(sess=sess,coord=coord) #<---------文件名隊列填充線程啟動for i in range(3):cur_example_batch, cur_label_batch = sess.run([example_batch, label_batch])print(cur_example_batch, cur_label_batch)coord.request_stop() #<---------多線程關閉coord.join(threads)

這個輸出每一行前為image（代指），后為label，第一行的數據對實際為0-0,0-1:

[0 0] [0 1] [1 1] [0 1] [0 0] [0 1]

二、圖片文件使用TFR讀寫測試

read的二進制數據直接進行_bytes_feature化就可以寫入文件，使用tf.string類型讀出圖片數據后可以直接decode解碼之（推測tf中string對應二進制數據類型）。

把一張圖片寫入TFR中：

import tensorflow as tf import matplotlib.pyplot as pltdef _bytes_feature(value):return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value])) def _int64_feature(value):return tf.train.Feature(int64_list=tf.train.Int64List(value=[value])) img_raw = tf.gfile.FastGFile('123123.jpeg','rb').read()filename = ('FTR/image.tfrecords') writer = tf.python_io.TFRecordWriter(filename) #<---------書寫 example = tf.train.Example(features=tf.train.Features(feature={ #<---------書寫'image':_bytes_feature(img_raw),'label':_int64_feature(1)})) writer.write(example.SerializeToString()) #<---------書寫 writer.close()

?從TFR中讀取圖片數據并解碼繪制出來：

filename_queue = tf.train.string_input_producer(['FTR/image.tfrecords'], shuffle=False) #<---------輸入文件隊列 reader = tf.TFRecordReader() #<---------讀取 _,serialized_example = reader.read(filename_queue) #<---------讀取 features = tf.parse_single_example( #<---------讀取serialized_example,features={'image':tf.FixedLenFeature([],tf.string),'label':tf.FixedLenFeature([],tf.int64)}) img = tf.image.decode_jpeg(features['image']) with tf.Session() as sess:tf.global_variables_initializer().run()coord = tf.train.Coordinator() # <---------多線程threads = tf.train.start_queue_runners(sess=sess, coord=coord) # <---------文件名隊列填充線程啟動# img_raw, label = sess.run([features['image'], features['label']])image = sess.run(img)plt.imshow(image)plt.show()coord.request_stop() # <---------多線程coord.join(threads) # <---------多線程

三、圖片文件直接使用隊列讀寫操作

僅僅示范了維護圖片文件名隊列的讀寫，沒有過多的其他操作

reader = tf.WholeFileReader()：新的讀取器，應該是范用性二進制文件讀取器

# 導入tensorflow import tensorflow as tf# 新建一個Session with tf.Session() as sess:# 我們要讀三幅圖片A.jpg, B.jpg, C.jpgfilename = ['123.png', '123123.jpeg']# string_input_producer會產生一個文件名隊列filename_queue = tf.train.string_input_producer(filename, shuffle=False, num_epochs=5)# reader從文件名隊列中讀數據。對應的方法是reader.readreader = tf.WholeFileReader() #<---------注意讀取器不一樣了key, value = reader.read(filename_queue)# tf.train.string_input_producer定義了一個epoch變量，要對它進行初始化tf.local_variables_initializer().run()# 使用start_queue_runners之后，才會開始填充隊列threads = tf.train.start_queue_runners(sess=sess)i = 0while True:i += 1# 獲取圖片數據并保存image_data = sess.run(value)with open('test_%d.jpg' % i, 'wb') as f:f.write(image_data)

四、隊列文件使用范式

文件名隊列創建->讀取解析文件->打包解析好的文件->多線程啟動圖訓練（多線程指被使用的部分其實還是文件讀取）

import tensorflow as tf'''創建文件列表'''files = tf.train.match_filenames_once("Records/output.tfrecords") filename_queue = tf.train.string_input_producer(files, shuffle=False)'''解析TFRecord文件里的數據'''# 讀取文件。reader = tf.TFRecordReader() _,serialized_example = reader.read(filename_queue)# 解析讀取的樣例。 features = tf.parse_single_example(serialized_example,features={'image_raw':tf.FixedLenFeature([],tf.string),'pixels':tf.FixedLenFeature([],tf.int64),'label':tf.FixedLenFeature([],tf.int64)})decoded_images = tf.decode_raw(features['image_raw'],tf.uint8) retyped_images = tf.cast(decoded_images, tf.float32) labels = tf.cast(features['label'],tf.int32) #pixels = tf.cast(features['pixels'],tf.int32) images = tf.reshape(retyped_images, [784])'''將文件以100個為一組打包'''min_after_dequeue = 10000 batch_size = 100 capacity = min_after_dequeue + 3 * batch_sizeimage_batch, label_batch = tf.train.shuffle_batch([images, labels],batch_size=batch_size,capacity=capacity,min_after_dequeue=min_after_dequeue)'''訓練模型'''def inference(input_tensor, weights1, biases1, weights2, biases2):layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)return tf.matmul(layer1, weights2) + biases2# 模型相關的參數 INPUT_NODE = 784 OUTPUT_NODE = 10 LAYER1_NODE = 500 REGULARAZTION_RATE = 0.0001 TRAINING_STEPS = 5000weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1)) biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1)) biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))y = inference(image_batch, weights1, biases1, weights2, biases2)# 計算交叉熵及其平均值 cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=label_batch) cross_entropy_mean = tf.reduce_mean(cross_entropy)# 損失函數的計算 regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE) regularaztion = regularizer(weights1) + regularizer(weights2) loss = cross_entropy_mean + regularaztion# 優化損失函數 train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)# 初始化回話并開始訓練過程。 with tf.Session() as sess:tf.global_variables_initializer().run()coord = tf.train.Coordinator()threads = tf.train.start_queue_runners(sess=sess, coord=coord)# 循環的訓練神經網絡。for i in range(TRAINING_STEPS):if i % 1000 == 0:print("After %d training step(s), loss is %g " % (i, sess.run(loss)))sess.run(train_step)coord.request_stop()coord.join(threads)

?

總結

以上是生活随笔為你收集整理的『TensorFlow』第十一弹_队列多线程TFRecod文件_我辈当高歌的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。