如何*实际*读取TensorFlow中的CSV数据？

Question

我在TensorFlow领域相对较新，对您如何 实际
将CSV数据读取到TensorFlow中可用的示例/标签张量中感到困惑。TensorFlow教程中有关读取CSV数据的示例相当分散，仅使您成为能够训练CSV数据的一部分。

这是我根据CSV教程整理而成的代码：

from __future__ import print_function
import tensorflow as tf

def file_len(fname):
    with open(fname) as f:
        for i, l in enumerate(f):
            pass
    return i + 1

filename = "csv_test_data.csv"

# setup text reader
file_length = file_len(filename)
filename_queue = tf.train.string_input_producer([filename])
reader = tf.TextLineReader(skip_header_lines=1)
_, csv_row = reader.read(filename_queue)

# setup CSV decoding
record_defaults = [[0],[0],[0],[0],[0]]
col1,col2,col3,col4,col5 = tf.decode_csv(csv_row, record_defaults=record_defaults)

# turn features back into a tensor
features = tf.stack([col1,col2,col3,col4])

print("loading, " + str(file_length) + " line(s)\n")
with tf.Session() as sess:
  tf.initialize_all_variables().run()

  # start populating filename queue
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(coord=coord)

  for i in range(file_length):
    # retrieve a single instance
    example, label = sess.run([features, col5])
    print(example, label)

  coord.request_stop()
  coord.join(threads)
  print("\ndone loading")

这是我正在加载的CSV文件中的一个简短示例-基本数据-4个功能列和1个标签列：

0,0,0,0,0
0,15,0,0,0
0,30,0,0,0
0,45,0,0,0

上面的所有代码都是 从CSV文件中逐个打印每个示例 ，虽然不错，但对于培训来说却毫无用处。

我在这里遇到的困难是如何将这些单独的示例（一个接一个地加载）变成训练数据集。例如，这是我在Udacity深度学习课程中正在使用的笔记本。我基本上想获取要加载的CSV数据，然后将其放入
train_dataset 和 train_labels之类的内容中 ：

def reformat(dataset, labels):
  dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32)
  # Map 2 to [0.0, 1.0, 0.0 ...], 3 to [0.0, 0.0, 1.0 ...]
  labels = (np.arange(num_labels) == labels[:,None]).astype(np.float32)
  return dataset, labels
train_dataset, train_labels = reformat(train_dataset, train_labels)
valid_dataset, valid_labels = reformat(valid_dataset, valid_labels)
test_dataset, test_labels = reformat(test_dataset, test_labels)
print('Training set', train_dataset.shape, train_labels.shape)
print('Validation set', valid_dataset.shape, valid_labels.shape)
print('Test set', test_dataset.shape, test_labels.shape)

我已经尝试过使用tf.train.shuffle_batch，就像这样，但它莫名其妙地挂起了：

  for i in range(file_length):
    # retrieve a single instance
    example, label = sess.run([features, colRelevant])
    example_batch, label_batch = tf.train.shuffle_batch([example, label], batch_size=file_length, capacity=file_length, min_after_dequeue=10000)
    print(example, label)

综上所述，这是我的问题：

• 我对这个过程缺少什么？
  • 感觉到缺少一些关于如何正确构建输入管道的关键直觉。
• 有没有一种方法可以避免必须知道CSV文件的长度？
  • 必须知道要处理的for i in range(file_length)行数（上面的代码行）感觉很不好

编辑：
雅罗斯拉夫（Yaroslav）指出我很可能在这里混合了命令性和图形构造部分后，它变得越来越清晰。我能够整理以下代码，我认为这与从CSV训练模型时通常会执行的代码更接近（不包括任何模型训练代码）：

from __future__ import print_function
import numpy as np
import tensorflow as tf
import math as math
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('dataset')
args = parser.parse_args()

def file_len(fname):
    with open(fname) as f:
        for i, l in enumerate(f):
            pass
    return i + 1

def read_from_csv(filename_queue):
  reader = tf.TextLineReader(skip_header_lines=1)
  _, csv_row = reader.read(filename_queue)
  record_defaults = [[0],[0],[0],[0],[0]]
  colHour,colQuarter,colAction,colUser,colLabel = tf.decode_csv(csv_row, record_defaults=record_defaults)
  features = tf.stack([colHour,colQuarter,colAction,colUser])  
  label = tf.stack([colLabel])  
  return features, label

def input_pipeline(batch_size, num_epochs=None):
  filename_queue = tf.train.string_input_producer([args.dataset], num_epochs=num_epochs, shuffle=True)  
  example, label = read_from_csv(filename_queue)
  min_after_dequeue = 10000
  capacity = min_after_dequeue + 3 * batch_size
  example_batch, label_batch = tf.train.shuffle_batch(
      [example, label], batch_size=batch_size, capacity=capacity,
      min_after_dequeue=min_after_dequeue)
  return example_batch, label_batch

file_length = file_len(args.dataset) - 1
examples, labels = input_pipeline(file_length, 1)

with tf.Session() as sess:
  tf.initialize_all_variables().run()

  # start populating filename queue
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(coord=coord)

  try:
    while not coord.should_stop():
      example_batch, label_batch = sess.run([examples, labels])
      print(example_batch)
  except tf.errors.OutOfRangeError:
    print('Done training, epoch reached')
  finally:
    coord.request_stop()

  coord.join(threads)

Answer 1

我认为您在这里混淆了命令性和图形构造部分。该操作将tf.train.shuffle_batch创建一个新的队列节点，并且可以使用一个节点来处理整个数据集。因此，我认为您之所以绞尽脑汁，是因为您shuffle_batch在for循环中创建了一堆队列，而没有为其启动队列运行器。

正常的输入管道用法如下所示：

1. 添加喜欢的节点shuffle_batch到输入管道
2. （可选，以防止意外修改图）完成图

-–图形构造结束，命令式编程开始-

1. tf.start_queue_runners
2. while(True): session.run()

为了更具可扩展性（避免使用Python
GIL），您可以使用TensorFlow管道生成所有数据。但是，如果性能不是很关键，则可以使用slice_input_producer.以下示例将一个numpy数组连接到输入管道：这是一个带有一些Print节点的示例，以查看发生了什么（Print运行节点时进入stdout的消息）

tf.reset_default_graph()

num_examples = 5
num_features = 2
data = np.reshape(np.arange(num_examples*num_features), (num_examples, num_features))
print data

(data_node,) = tf.slice_input_producer([tf.constant(data)], num_epochs=1, shuffle=False)
data_node_debug = tf.Print(data_node, [data_node], "Dequeueing from data_node ")
data_batch = tf.batch([data_node_debug], batch_size=2)
data_batch_debug = tf.Print(data_batch, [data_batch], "Dequeueing from data_batch ")

sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
tf.get_default_graph().finalize()
tf.start_queue_runners()

try:
  while True:
    print sess.run(data_batch_debug)
except tf.errors.OutOfRangeError as e:
  print "No more inputs."

你应该看到这样的东西

[[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]
[[0 1]
 [2 3]]
[[4 5]
 [6 7]]
No more inputs.

“ 8、9”数字没有填满整个批次，因此没有得到生产。还tf.Print可以打印到sys.stdout，因此它们对我来说分别显示在Terminal中。

PS：连接batch到手动初始化的队列的最低要求在github问题2193中

另外，出于调试目的，您可能需要timeout在会话上进行设置，以使IPython Notebook不挂在空队列出队中。我在会话中使用此帮助器功能

def create_session():
  config = tf.ConfigProto(log_device_placement=True)
  config.gpu_options.per_process_gpu_memory_fraction=0.3 # don't hog all vRAM
  config.operation_timeout_in_ms=60000   # terminate on long hangs
  # create interactive session to register a default session
  sess = tf.InteractiveSession("", config=config)
  return sess

可伸缩性注意事项：

1. tf.constant将您的数据副本内联到Graph中。Graph定义的大小有2GB的基本限制，因此这是数据大小的上限
2. 你可以避开这一限制使用v=tf.Variable和保存数据到那里通过运行v.assign_op一个tf.placeholder在右侧和喂养numpy的阵列到占位符（feed_dict）
3. 这样仍然会创建两个数据副本，因此，为了节省内存，您可以使自己的版本slice_input_producer在numpy数组上运行，并使用feed_dict