如何在Tensorflow中使用自定义python函数预取数据

Question

我正在尝试预取训练数据以隐藏I /
O延迟。我想编写自定义Python代码，该代码从磁盘加载数据并对数据进行预处理（例如，通过添加上下文窗口）。换句话说，一个线程进行数据预处理，另一个线程进行训练。TensorFlow有可能吗？

更新：我有一个基于@mrry的示例的工作示例。

import numpy as np
import tensorflow as tf
import threading

BATCH_SIZE = 5
TRAINING_ITERS = 4100

feature_input = tf.placeholder(tf.float32, shape=[128])
label_input = tf.placeholder(tf.float32, shape=[128])

q = tf.FIFOQueue(200, [tf.float32, tf.float32], shapes=[[128], [128]])
enqueue_op = q.enqueue([label_input, feature_input])

label_batch, feature_batch = q.dequeue_many(BATCH_SIZE)
c = tf.reshape(feature_batch, [BATCH_SIZE, 128]) + tf.reshape(label_batch, [BATCH_SIZE, 128])

sess = tf.Session()

def load_and_enqueue(sess, enqueue_op, coord):
  with open('dummy_data/features.bin') as feature_file, open('dummy_data/labels.bin') as label_file:
    while not coord.should_stop():
      feature_array = np.fromfile(feature_file, np.float32, 128)
      if feature_array.shape[0] == 0:
        print('reach end of file, reset using seek(0,0)')
        feature_file.seek(0,0)
        label_file.seek(0,0)
        continue
      label_value = np.fromfile(label_file, np.float32, 128)

      sess.run(enqueue_op, feed_dict={feature_input: feature_array,
                                      label_input: label_value})

coord = tf.train.Coordinator()
t = threading.Thread(target=load_and_enqueue, args=(sess,enqueue_op, coord))
t.start()

for i in range(TRAINING_ITERS):
  sum = sess.run(c)
  print('train_iter='+str(i))
  print(sum)

coord.request_stop()
coord.join([t])

Answer 1

这是一个常见的用例，大多数实现都使用TensorFlow的 队列
将预处理代码与训练代码分离。有一个有关如何使用队列的教程，但是主要步骤如下：

1. 定义一个队列，q它将缓冲预处理的数据。TensorFlow支持以tf.FIFOQueue排队顺序生成元素的简单方法，以及tf.RandomShuffleQueue以随机顺序生成元素的高级方法。队列元素是一个或多个张量（可以具有不同的类型和形状）的元组。所有队列都支持单元素（enqueue，dequeue）和批处理（enqueue_many，dequeue_many）操作，但是要使用批处理操作，必须在构造队列时在队列元素中指定每个张量的形状。

2. 构建一个子图，将预处理的元素排入队列。一种方法是tf.placeholder()为张量定义一些与单个输入示例对应的操作，然后将它们传递给q.enqueue()。（如果预处理一次生成一批，则应q.enqueue_many()改用。）您也可以在此子图中包括TensorFlow op。

3. 建立执行训练的子图。这看起来像一个普通的TensorFlow图，但是会通过调用来获取其输入q.dequeue_many(BATCH_SIZE)。

4. 开始会话。

5. 创建一个或多个执行预处理逻辑的线程，然后执行入队操作，并输入预处理后的数据。您可能会发现tf.train.Coordinator和tf.train.QueueRunner实用程序类对此有用。

6. 正常运行训练图（优化器等）。

编辑： 这是一个简单的load_and_enqueue()功能和代码片段，可以帮助您入门：

    # Features are length-100 vectors of floats
    feature_input = tf.placeholder(tf.float32, shape=[100])
    # Labels are scalar integers.
    label_input = tf.placeholder(tf.int32, shape=[])

    # Alternatively, could do:
    # feature_batch_input = tf.placeholder(tf.float32, shape=[None, 100])
    # label_batch_input = tf.placeholder(tf.int32, shape=[None])

    q = tf.FIFOQueue(100, [tf.float32, tf.int32], shapes=[[100], []])
    enqueue_op = q.enqueue([feature_input, label_input])

    # For batch input, do:
    # enqueue_op = q.enqueue_many([feature_batch_input, label_batch_input])

    feature_batch, label_batch = q.dequeue_many(BATCH_SIZE)
    # Build rest of model taking label_batch, feature_batch as input.
    # [...]
    train_op = ...

    sess = tf.Session()

    def load_and_enqueue():
      with open(...) as feature_file, open(...) as label_file:
        while True:
          feature_array = numpy.fromfile(feature_file, numpy.float32, 100)
          if not feature_array:
            return
          label_value = numpy.fromfile(feature_file, numpy.int32, 1)[0]

          sess.run(enqueue_op, feed_dict={feature_input: feature_array,
                                          label_input: label_value})

    # Start a thread to enqueue data asynchronously, and hide I/O latency.
    t = threading.Thread(target=load_and_enqueue)
    t.start()

    for _ in range(TRAINING_EPOCHS):
      sess.run(train_op)