数据集：快速了解

tf.data

从 numpy 数组读取内存数据。
逐行读取 csv 文件。

基本输入

学习如何获取数组的片段，是开始学习 tf.data 最简单的方式。

def train_input_fn(features, labels, batch_size):
    """一个用来训练的输入函数"""
    # 将输入值转化为数据集。
    dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))

    # 混排、重复、批处理样本。
    dataset = dataset.shuffle(1000).repeat().batch(batch_size)

    # 返回数据集
    return dataset

下面我们来对这个函数做更仔细的分析。

参数

这个函数一共需要三个参数。如果一个参数的期望类型是 “array” （数组），那么它将可以接受几乎所有可以用 numpy.array 来转化为数组的值。我们可以看到只有一个例外：tuple，它对 Datasets 有特殊的含义。

features：一个形如 {'feature_name':array} 的数据字典（或者是 DataFrame），它包含了原始的输入特征。
labels：一个包含每个样本的 label 的数组。
batch_size：一个指示所需批量大小的整数。

在 premade_estimator.py 中，我们使用 iris_data.load_data() 函数来检索虹膜数据。
你可以运行该函数，并按如下方式解压结果：

import iris_data

# 获取数据
train, test = iris_data.load_data()
features, labels = train

然后用像下面这样的一行代码，将数据传递给 input 函数：

batch_size=100
iris_data.train_input_fn(features, labels, batch_size)

让我们来具体看看 train_input_fn() 函数。

（数组）片段

TF Layers 教程：构建卷积神经网络

返回这个 Dataset 的代码如下所示：

train, test = tf.keras.datasets.mnist.load_data()
mnist_x, mnist_y = train

mnist_ds = tf.data.Dataset.from_tensor_slices(mnist_x)
print(mnist_ds)

张量

<TensorSliceDataset shapes: (28,28), types: tf.uint8>

上述的 Dataset 表示数组的简单集合，但数据集比这更复杂。Dataset 可以透明地处理任何嵌套的字典或元组组合（或者 namedtuple）。

例如，将 irls 的 features 转换为标准 python 字典之后，你可以将数组字典转换为字典的 Dataset，如下所示：

dataset = tf.data.Dataset.from_tensor_slices(dict(features))
print(dataset)

<TensorSliceDataset

  shapes: {
    SepalLength: (), PetalWidth: (),
    PetalLength: (), SepalWidth: ()},

  types: {
      SepalLength: tf.float64, PetalWidth: tf.float64,
      PetalLength: tf.float64, SepalWidth: tf.float64}
>

张量

iris 的第一行 train_input_fn 使用相同的功能，但是增加了一层结构。它创建了一个包含 (features_dict, label) 数据对的数据集。

以下代码表明，标签是类型为 int64 的标量：

# 将输入转化为数据集。
dataset = tf.data.Dataset.from_tensor_slices((dict(features), labels))
print(dataset)

<TensorSliceDataset
    shapes: (
        {
          SepalLength: (), PetalWidth: (),
          PetalLength: (), SepalWidth: ()},
        ()),

    types: (
        {
          SepalLength: tf.float64, PetalWidth: tf.float64,
          PetalLength: tf.float64, SepalWidth: tf.float64},
        tf.int64)>

操作

目前，Dataset 会按照固定顺序遍历数据一次，且一次只能生成一个元素。在可以用于训练之前，它需要进一步的处理。幸运的是，tf.data.Dataset 类提供了方法来让数据为训练作出更好的准备。train_input_fn 的下一行代码就利用了几个这样的方法：

# 样本的混排、重复、批处理。
dataset = dataset.shuffle(1000).repeat().batch(batch_size)

tf.data.Dataset.shuffle

tf.data.Dataset.repeat

tf.data.Dataset.batch

print(mnist_ds.batch(100))

<BatchDataset
  shapes: (?, 28, 28),
  types: tf.uint8>

注意，因为最后一个批次将会有比较少的元素，因此数据集的批量大小是不确定的。

在 train_input_fn 中，批处理之后，数据集 包含元素们的一维向量，这些一维向量的前面部分是：

print(dataset)

<TensorSliceDataset
    shapes: (
        {
          SepalLength: (?,), PetalWidth: (?,),
          PetalLength: (?,), SepalWidth: (?,)},
        (?,)),

    types: (
        {
          SepalLength: tf.float64, PetalWidth: tf.float64,
          PetalLength: tf.float64, SepalWidth: tf.float64},
        tf.int64)>

此时，Dataset 包含 (features_dict, labels) 对。这是 train 和 evaluate 方法所期望的格式，因此 input_fn 将返回数据集。

在使用 predict 方法时，可以/应该省略 labels。

读取 CSV 文件

tf.data

如下对 iris_data.maybe_download 函数的调用，将会在必要的时候下载数据，并返回结果文件的路径：

import iris_data
train_path, test_path = iris_data.maybe_download()

iris_data.csv_input_fn 函数包括了一个用 Dataset 解析 csv 文件的替代方案。

让我们来看看如何构建一个兼容 Estimator 的、可以读取本地文件的输入函数。

建立 `Dataset`

tf.data.Dataset.skip

ds = tf.data.TextLineDataset(train_path).skip(1)

建立一个 csv 行解析器

我们从建立一个可以解析一行的函数开始。

tf.decode_csv

# 描述文本列的元数据
COLUMNS = ['SepalLength', 'SepalWidth',
           'PetalLength', 'PetalWidth',
           'label']
FIELD_DEFAULTS = [[0.0], [0.0], [0.0], [0.0], [0]]
def _parse_line(line):
    # 将行解码到 fields 中
    fields = tf.decode_csv(line, FIELD_DEFAULTS)

    # 将结果打包成字典
    features = dict(zip(COLUMNS,fields))

    # 将标签从特征中分离
    label = features.pop('label')

    return features, label

解析多行

tf.data.Dataset.map

这个 map 方法接受一个 map_func 参数，这个参数描述了 Dataset 中的每一个元素应该如何被转化。

tf.data.Dataset.map

因此，为了在多行数据被从 csv 文件中读取出来的时候解析它们，我们为 map 方法提供 _parse_line 函数：

ds = ds.map(_parse_line)
print(ds)

<MapDataset
shapes: (
    {SepalLength: (), PetalWidth: (), ...},
    ()),
types: (
    {SepalLength: tf.float32, PetalWidth: tf.float32, ...},
    tf.int32)>

现在，数据集中包含的是 (features, label) 数据对，而不是简单的字符串标量了。

iris_data.csv_input_fn 函数的余下部分和 Basic input 中介绍的 iris_data.train_input_fn 函数相同。

实践

这个函数可以作为 iris_data.train_input_fn 的替代。它可以像如下这样，来给 estimator 提供数据：

train_path, test_path = iris_data.maybe_download()

# 所有的输入都是数字
feature_columns = [
    tf.feature_column.numeric_column(name)
    for name in iris_data.CSV_COLUMN_NAMES[:-1]]

# 构建 estimator
est = tf.estimator.LinearClassifier(feature_columns,
                                    n_classes=3)
# 训练 estimator
batch_size = 100
est.train(
    steps=1000,
    input_fn=lambda : iris_data.csv_input_fn(train_path, batch_size))

Estimator 期望 input_fn 没有任何参数。要解除这个限制，我们使用 lambda 来捕获参数并提供预期的接口。

总结

为了从不同的数据源中便捷的读取数据，tf.data 模块提供了类和函数的集合。除此之外，tf.data 有简单并且强大的方法，来应用各种标准和自定义转换。

现在你已经基本了解了如何为 Estimator 高效的获取数据。（作为扩展）接下来可以思考如下的文档：