python - 如何在 TensorFlow 中使用 parallel_interleave

Question

我正在阅读 TensorFlow 中的代码 benchmarks repo .以下代码是从 TFRecord 文件创建 TensorFlow 数据集的部分:

ds = tf.data.TFRecordDataset.list_files(tfrecord_file_names)
ds = ds.apply(interleave_ops.parallel_interleave(tf.data.TFRecordDataset, cycle_length=10))

我正在尝试更改此代码以直接从 JPEG 图像文件创建数据集:

ds = tf.data.Dataset.from_tensor_slices(jpeg_file_names)
ds = ds.apply(interleave_ops.parallel_interleave(?, cycle_length=10))

我不知道该写什么？地方。 parallel_interleave() 中的 map_func 是 tf.data.TFRecordDataset 类的 __init__() 对于 TFRecord 文件，但是我不知道对于 JPEG 文件要写什么。

我们不需要在这里做任何转换。因为我们将压缩两个数据集，然后再进行转换。代码如下:

counter = tf.data.Dataset.range(batch_size)
ds = tf.data.Dataset.zip((ds, counter))
ds = ds.apply( \
     batching.map_and_batch( \
     map_func=preprocess_fn, \
     batch_size=batch_size, \
     num_parallel_batches=num_splits))

因为我们不需要在 ?地方，我尝试使用一个空的 map_func，但出现错误“map_func必须返回一个Dataset` 对象”。我也尝试过使用 tf.data.Dataset，但输出显示 Dataset 是一个不允许放在那里的抽象类。

有人可以帮忙吗？非常感谢。

Answer 1

parallel_interleave当您有一个将源 数据集的每个元素转换为多个元素到目标 数据集的转换时非常有用。我不确定他们为什么在基准 repo 中使用它，而他们本可以使用 map并行调用。

这是我建议使用 parallel_interleave 的方式用于从多个目录读取图像，每个目录包含一个类:

classes = sorted(glob(directory + '/*/')) # final slash selects directories only
num_classes = len(classes)

labels = np.arange(num_classes, dtype=np.int32)

dirs = DS.from_tensor_slices((classes, labels))               # 1
files = dirs.apply(tf.contrib.data.parallel_interleave(
    get_files, cycle_length=num_classes, block_length=4,      # 2
    sloppy=False)) # False is important ! Otherwise it mixes labels
files = files.cache()
imgs = files.map(read_decode, num_parallel_calls=20)\.        # 3
            .apply(tf.contrib.data.shuffle_and_repeat(100))\
            .batch(batch_size)\
            .prefetch(5)

分为三个步骤。首先，我们获取目录列表及其标签 (#1)。

然后，我们将这些映射到文件数据集。但是如果我们做一个简单的 .flatmap() , 我们将以标签 0 的所有文件结束, 然后是标签 1 的所有文件, 然后 2等等...然后我们需要非常大的洗牌缓冲区来获得有意义的洗牌。

因此，我们改为应用 parallel_interleave (#2)。这是 get_files() :

def get_files(dir_path, label):
    globbed = tf.string_join([dir_path, '*.jpg'])
    files = tf.matching_files(globbed)

    num_files = tf.shape(files)[0] # in the directory
    labels = tf.tile([label], [num_files, ]) # expand label to all files
    return DS.from_tensor_slices((files, labels))

使用 parallel_interleave确保 list_files每个目录的并行运行，所以到第一个 block_length文件从第一个目录开始列出，第一个 block_length第二个目录中的文件也将可用(也可以从第三个、第四个等)。此外，生成的数据集将包含每个标签的交错 block ，例如1 1 1 1 2 2 2 2 3 3 3 3 3 1 1 1 1 ... (对于 3 个类和 block_length=4)

最后，我们从文件列表 (#3) 中读取图像。这是 read_and_decode() :

def read_decode(path, label):
    img = tf.image.decode_image(tf.read_file(path), channels=3)
    img = tf.image.resize_bilinear(tf.expand_dims(img, axis=0), target_size)
    img = tf.squeeze(img, 0)
    img = preprocess_fct(img) # should work with Tensors !

    label = tf.one_hot(label, num_classes)
    img = tf.Print(img, [path, label], 'Read_decode')
    return (img, label)

此函数采用图像路径及其标签，并为每个路径返回一个张量:路径的图像张量和标签的 one_hot 编码。这也是您可以对图像进行所有转换的地方。在这里，我会调整大小和进行基本的预处理。