Tensorflow分批量读取数据教程
之前的博客里使用tf读取数据都是每次fetch一条记录，实际上大部分时候需要fetch到一个batch的小批量数据，在tf中这一操作的明显变化就是tensor的rank发生了变化，我目前使用的人脸数据集是灰度图像，因此大小是92*112的，所以最开始fetch拿到的图像数据集经过reshape之后就是一个rank为2的tensor，大小是92*112的（如果考虑通道，也可以reshape为rank为3的，即92*112*1）。如果加入batch，比如batch大小为5，那么拿到的tensor的rank就变成了3，大小为5*92*112。
下面规则化的写一下读取数据的一般流程，按照官网的实例，一般把读取数据拆分成两个大部分，一个是函数专门负责读取数据和解码数据，一个函数则负责生产batch。
importtensorflowastf
defread_data(fileNameQue):
reader=tf.TFRecordReader()
key,value=reader.read(fileNameQue)
features=tf.parse_single_example(value,features={'label':tf.FixedLenFeature([],tf.int64),
'img':tf.FixedLenFeature([],tf.string),})
img=tf.decode_raw(features["img"],tf.uint8)
img=tf.reshape(img,[92,112])#恢复图像原始大小
label=tf.cast(features["label"],tf.int32)
returnimg,label
defbatch_input(filename,batchSize):
fileNameQue=tf.train.string_input_producer([filename],shuffle=True)
img,label=read_data(fileNameQue)#fetch图像和label
min_after_dequeue=1000
capacity=min_after_dequeue+3*batchSize
#预取图像和label并随机打乱，组成batch，此时tensorrank发生了变化，多了一个batch大小的维度
exampleBatch,labelBatch=tf.train.shuffle_batch([img,label],batch_size=batchSize,capacity=capacity,
min_after_dequeue=min_after_dequeue)
returnexampleBatch,labelBatch
if__name__=="__main__":
init=tf.initialize_all_variables()
exampleBatch,labelBatch=batch_input("./data/faceTF.tfrecords",batchSize=10)
withtf.Session()assess:
sess.run(init)
coord=tf.train.Coordinator()
threads=tf.train.start_queue_runners(coord=coord)
foriinrange(100):
example,label=sess.run([exampleBatch,labelBatch])
print(example.shape)
coord.request_stop()
coord.join(threads)
读取数据和解码数据与之前基本相同，针对不同格式数据集使用不同阅读器和解码器即可，后面是产生batch，核心是tf.train.shuffle_batch这个函数，它相当于一个蓄水池的功能，第一个参数代表蓄水池的入水口，也就是逐个读取到的记录，batch_size自然就是batch的大小了，capacity是蓄水池的容量，表示能容纳多少个样本，min_after_dequeue是指出队操作后还可以供随机采样出批量数据的样本池大小，显然，capacity要大于min_after_dequeue，官网推荐：min_after_dequeue+(num_threads+asmallsafetymargin)*batch_size,还有一个参数就是num_threads，表示所用线程数目。
min_after_dequeue这个值越大，随机采样的效果越好，但是消耗的内存也越大。
以上这篇Tensorflow分批量读取数据教程就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。