• TensorFlow数据集(一)——数据集的基本使用方法


    参考书

    《TensorFlow:实战Google深度学习框架》(第2版)

    例子:从一个张量创建一个数据集,遍历这个数据集,并对每个输入输出y = x^2 的值。

    #!/usr/bin/env python
    # -*- coding: UTF-8 -*-
    # coding=utf-8 
    
    """
    @author: Li Tian
    @contact: 694317828@qq.com
    @software: pycharm
    @file: dataset_test1.py
    @time: 2019/2/10 10:52
    @desc: 例子:从一个张量创建一个数据集,遍历这个数据集,并对每个输入输出y = x^2 的值。
    """
    
    import tensorflow as tf
    
    # 从一个数组创建数据集。
    input_data = [1, 2, 3, 5, 8]
    dataset = tf.data.Dataset.from_tensor_slices(input_data)
    
    # 定义一个迭代器用于遍历数据集。因为上面定义的数据集没有用placeholder作为输入参数
    # 所以这里可以使用最简单的one_shot_iterator
    iterator = dataset.make_one_shot_iterator()
    # get_next() 返回代表一个输入数据的张量,类似于队列的dequeue()。
    x = iterator.get_next()
    y = x * x
    
    with tf.Session() as sess:
        for i in range(len(input_data)):
            print(sess.run(y))

    运行结果:


    数据是文本文件:创建数据集。

    #!/usr/bin/env python
    # -*- coding: UTF-8 -*-
    # coding=utf-8 
    
    """
    @author: Li Tian
    @contact: 694317828@qq.com
    @software: pycharm
    @file: dataset_test2.py
    @time: 2019/2/10 11:03
    @desc: 数据是文本文件
    """
    
    import tensorflow as tf
    
    # 从文本文件创建数据集。假定每行文字是一个训练例子。注意这里可以提供多个文件。
    input_files = ['./input_file11', './input_file22']
    dataset = tf.data.TextLineDataset(input_files)
    
    # 定义迭代器用于遍历数据集
    iterator = dataset.make_one_shot_iterator()
    # 这里get_next()返回一个字符串类型的张量,代表文件中的一行。
    x = iterator.get_next()
    with tf.Session() as sess:
        for i in range(4):
            print(sess.run(x))

    运行结果:


    数据是TFRecord文件:创建TFRecord测试文件。

    #!/usr/bin/env python
    # -*- coding: UTF-8 -*-
    # coding=utf-8 
    
    """
    @author: Li Tian
    @contact: 694317828@qq.com
    @software: pycharm
    @file: dataset_createdata.py
    @time: 2019/2/10 13:59
    @desc: 创建样例文件
    """
    
    import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
    import numpy as np
    import time
    
    
    # 生成整数型的属性。
    def _int64_feature(value):
        return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))
    
    
    # 生成字符串型的属性。
    def _bytes_feature(value):
        return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))
    
    
    a = [11, 21, 31, 41, 51]
    b = [22, 33, 44, 55, 66]
    
    
    # 输出TFRecord文件的地址
    filename = './input_file2'
    # 创建一个writer来写TFRecord文件
    writer = tf.python_io.TFRecordWriter(filename)
    for index in range(len(a)):
        aa = a[index]
        bb = b[index]
        # 将一个样例转化为Example Protocol Buffer,并将所有的信息写入这个数据结构。
        example = tf.train.Example(features=tf.train.Features(feature={
            'feat1': _int64_feature(aa),
            'feat2': _int64_feature(bb)
        }))
    
        # 将一个Example写入TFRecord文件中。
        writer.write(example.SerializeToString())
    writer.close()

    运行结果:


    数据是TFRecord文件:创建数据集。(使用最简单的one_hot_iterator来遍历数据集)

    #!/usr/bin/env python
    # -*- coding: UTF-8 -*-
    # coding=utf-8 
    
    """
    @author: Li Tian
    @contact: 694317828@qq.com
    @software: pycharm
    @file: dataset_test3.py
    @time: 2019/2/10 13:16
    @desc: 数据是TFRecord文件
    """
    
    import tensorflow as tf
    
    
    # 解析一个TFRecord的方法。record是从文件中读取的一个样例。前面介绍了如何解析TFRecord样例。
    def parser(record):
        # 解析读入的一个样例
        features = tf.parse_single_example(
            record,
            features={
                'feat1': tf.FixedLenFeature([], tf.int64),
                'feat2': tf.FixedLenFeature([], tf.int64),
            }
        )
        return features['feat1'], features['feat2']
    
    
    # 从TFRecord文件创建数据集。
    input_files = ['./input_file1', './input_file2']
    dataset = tf.data.TFRecordDataset(input_files)
    
    # map()函数表示对数据集中的每一条数据进行调用相应方法。使用TFRecordDataset读出的是二进制的数据。
    # 这里需要通过map()函数来调用parser()对二进制数据进行解析。类似的,map()函数也可以用来完成其他的数据预处理工作。
    dataset = dataset.map(parser)
    
    # 定义遍历数据集的迭代器
    iterator = dataset.make_one_shot_iterator()
    
    # feat1, feat2是parser()返回的一维int64型张量,可以作为输入用于进一步的计算。
    feat1, feat2 = iterator.get_next()
    
    with tf.Session() as sess:
        for i in range(10):
            f1, f2 = sess.run([feat1, feat2])
            print(f1, f2)

    运行结果:


    数据是TFRecord文件:创建数据集。(使用placeholder和initializable_iterator来动态初始化数据集) 

    #!/usr/bin/env python
    # -*- coding: UTF-8 -*-
    # coding=utf-8 
    
    """
    @author: Li Tian
    @contact: 694317828@qq.com
    @software: pycharm
    @file: dataset_test4.py
    @time: 2019/2/10 13:44
    @desc: 用initializable_iterator来动态初始化数据集的例子
    """
    
    import tensorflow as tf
    from figuredata_deal.dataset_test3 import parser
    
    
    # 解析一个TFRecord的方法。与上面的例子相同不再重复。
    # 从TFRecord文件创建数据集,具体文件路径是一个placeholder,稍后再提供具体路径。
    input_files = tf.placeholder(tf.string)
    dataset = tf.data.TFRecordDataset(input_files)
    dataset = dataset.map(parser)
    
    # 定义遍历dataset的initializable_iterator
    iterator = dataset.make_initializable_iterator()
    feat1, feat2 = iterator.get_next()
    
    with tf.Session() as sess:
        # 首先初始化iterator,并给出input_files的值。
        sess.run(iterator.initializer, feed_dict={input_files: ['./input_file1', './input_file2']})
    
        # 遍历所有数据一个epoch,当遍历结束时,程序会抛出OutOfRangeError
        while True:
            try:
                sess.run([feat1, feat2])
            except tf.errors.OutOfRangeError:
                break

    运行结果:


  • 相关阅读:
    vue集成百度UEditor富文本编辑器
    HTTPS访问站点,出现证书问题解决(转载) 规格严格
    JSSE 提供的 动态 debug 追踪模式 规格严格
    javax.net.debug 规格严格
    Oralce null 规格严格
    pipe 规格严格
    (总结)ibatis 动态传入表名和列名 规格严格
    垃圾回收算法简介 规格严格
    转载(正则表达式的分类) 规格严格
    长度为0的数组 规格严格
  • 原文地址:https://www.cnblogs.com/lyjun/p/10359204.html
Copyright © 2020-2023  润新知