简介

TensorFlow读取数据共有三种方法：

• Feeding：当TensorFlow运行每步计算的时候，从Python获取数据。在Graph的设计阶段，用placeholder占住Graph的位置，完成Graph的表达；当Graph传给Session后，在运算时再把需要的数据从Python传过来。

• Preloaded data：数据直接预加载到TensorFlow的Graph中，再把Graph传入Session运行。只适用于小数据。

• Reading from file：在Graph中定义好文件读取的运算节点，把Graph传入Session运行时，执行读取文件的运算，这样可以避免在Python和TensorFlow C++执行环境之间反复传递数据。

本文讲解Reading from file的代码。

其他关于TensorFlow的学习笔记，请点击入门教程

实现

#!/usr/bin/env python
# -*- coding=utf-8 -*-
# @author: 陈水平
# @date: 2017-02-19
# @description: modified program to illustrate reading from file based on TF offitial tutorial
# @ref: https://www.tensorflow.org/programmers_guide/reading_data

def read_my_file_format(filename_queue):
  """从文件名队列读取一行数据
  
  输入：
  -----
  filename_queue：文件名队列，举个例子，可以使用`tf.train.string_input_producer(["file0.csv", "file1.csv"])`方法创建一个包含两个CSV文件的队列
  
  输出：
  -----
  一个样本：`[features, label]`
  """
  reader = tf.SomeReader()  # 创建Reader
  key, record_string = reader.read(filename_queue)  # 读取一行记录
  example, label = tf.some_decoder(record_string)  # 解析该行记录
  processed_example = some_processing(example)  # 对特征进行预处理
  return processed_example, label

def input_pipeline(filenames, batch_size, num_epochs=None):
  """ 从一组文件中读取一个批次数据
  
  输入：
  -----
  filenames：文件名列表，如`["file0.csv", "file1.csv"]`
  batch_size：每次读取的样本数
  num_epochs：每个文件的读取次数
  
  输出：
  -----
  一批样本，`[[example1, label1], [example2, label2], ...]`
  """
  filename_queue = tf.train.string_input_producer(filenames, num_epochs=num_epochs, shuffle=True)  # 创建文件名队列
  example, label = read_my_file_format(filename_queue)  # 读取一个样本
  # 将样本放进样本队列，每次输出一个批次样本
  #   - min_after_dequeue：定义输出样本后的队列最小样本数，越大随机性越强，但start up时间和内存占用越多
  #   - capacity：队列大小，必须比min_after_dequeue大
  min_after_dequeue = 10000
  capacity = min_after_dqueue + 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
  
def main(_):
  x, y = input_pipeline(['file0.csv', 'file1.csv'], 1000, 5)
  train_op = some_func(x, y)
  init_op = tf.global_variables_initializer()
  local_init_op = tf.local_variables_initializer()  # local variables like epoch_num, batch_size
  sess = tf.Session()
  
  sess.run(init_op)
  sess.run(local_init_op)
  
  # `QueueRunner`用于创建一系列线程，反复地执行`enqueue` op
  # `Coordinator`用于让这些线程一起结束
  # 典型应用场景：
  #   - 多线程准备样本数据，执行enqueue将样本放进一个队列
  #   - 一个训练线程从队列执行dequeu获取一批样本，执行training op
  # `tf.train`的许多函数会在graph中添加`QueueRunner`对象，如`tf.train.string_input_producer`
  # 在执行training op之前，需要保证Queue里有数据，因此需要先执行`start_queue_runners`
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(sess=sess, coord=coord)
  
  try:
    while not coord.should_stop():
      sess.run(train_op)
  except tf.errors.OutOfRangeError:
    print 'Done training -- epoch limit reached'
  finally:
    coord.request_stop()
  
  # Wait for threads to finish  
  coord.join(threads)
  sess.close()
  
if __name__ == '__main__':
  tf.app.run()