欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

如何从csv文件构建Tensorflow的数据集

程序员文章站 2022-07-06 16:03:35
从csv文件构建tensorflow的数据集当我们有一系列csv文件,如何构建tensorflow的数据集呢?基本步骤 获得一组csv文件的路径 将这组文件名,转成文件名对应的datase...

从csv文件构建tensorflow的数据集

当我们有一系列csv文件,如何构建tensorflow的数据集呢?

基本步骤

  1. 获得一组csv文件的路径
  2. 将这组文件名,转成文件名对应的dataset => file_dataset
  3. 根据file_dataset中的每个文件名,读取文件内容 生成一个内容的dataset => content_dataset
  4. 这样的多个content_dataset, 拼接起来,形成一整个dataset
  5. 因为读出来的每条记录都是string类型, 所以还需要对每条记录做decode

存在一个这样的变量train_filenames

pprint.pprint(train_filenames)
#	['generate_csv\\train_00.csv',
#	 'generate_csv\\train_01.csv',
#	 'generate_csv\\train_02.csv',
#	 'generate_csv\\train_03.csv',
#	 'generate_csv\\train_04.csv',
#	 'generate_csv\\train_05.csv',
#	 'generate_csv\\train_06.csv',
#	 'generate_csv\\train_07.csv',
#	 'generate_csv\\train_08.csv',
#	 'generate_csv\\train_09.csv',
#	 'generate_csv\\train_10.csv',
#	 'generate_csv\\train_11.csv',
#	 'generate_csv\\train_12.csv',
#	 'generate_csv\\train_13.csv',
#	 'generate_csv\\train_14.csv',
#	 'generate_csv\\train_15.csv',
#	 'generate_csv\\train_16.csv',
#	 'generate_csv\\train_17.csv',
#	 'generate_csv\\train_18.csv',
#	 'generate_csv\\train_19.csv']

接着,我们用提前定义好的api构建文件名数据集file_dataset

filename_dataset = tf.data.dataset.list_files(train_filenames)
for filename in filename_dataset:
  print(filename)
#tf.tensor(b'generate_csv\\train_09.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_19.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_03.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_01.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_14.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_17.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_15.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_06.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_05.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_07.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_11.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_02.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_12.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_13.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_10.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_16.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_18.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_00.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_04.csv', shape=(), dtype=string)
#tf.tensor(b'generate_csv\\train_08.csv', shape=(), dtype=string)

第三步, 根据每个文件名,去读取文件里面的内容

dataset = filename_dataset.interleave(
  lambda filename: tf.data.textlinedataset(filename).skip(1),
  cycle_length=5
)

for line in dataset.take(3):
  print(line)

#tf.tensor(b'0.46908349737250216,1.8718193706428006,0.13936365871212536,-0.011055733363841472,-0.6349261778219746,-0.036732316700563934,1.0259470089944995,-1.319095600336748,2.171', shape=(), dtype=string)
#tf.tensor(b'-1.102093775650278,1.313248890578542,-0.7212003024178728,-0.14707856286537277,0.34720121604358517,0.0965085401826684,-0.74698820254838,0.6810563907247876,1.428', shape=(), dtype=string)
#tf.tensor(b'-0.8901003715328659,0.9142699762469286,-0.1851678950250224,-0.12947457252940406,0.5958187430364827,-0.021255215877779534,0.7914317693724252,-0.45618713536506217,0.75', shape=(), dtype=string)

interleave的作用可以类比map, 对每个元素应用操作,然后还能把结果合起来。
因此,有了interleave, 我们就把第三四步,一起完成了
之所以skip(1),是因为这个csv第一行是header.
cycle_length是并行化构建数据集的线程数

好,第五步,解析每条记录

def parse_csv_line(line, n_fields=9):
  defaults = [tf.constant(np.nan)] * n_fields
  parsed_fields = tf.io.decode_csv(line, record_defaults=defaults)
  x = tf.stack(parsed_fields[:-1])
  y = tf.stack(parsed_fields[-1:])
  return x, y

parse_csv_line('1.2286258796252256,-1.0806245954111382,0.4444161407754224,-0.0352172575329119,0.9740347681426992,-0.003516079473801425,-0.8126524696425611,0.865609068204283,2.803', 9)

#(<tf.tensor: shape=(8,), dtype=float32, numpy= array([ 1.2286259 , -1.0806246 , 0.44441614, -0.03521726, 0.9740348 ,-0.00351608, -0.81265247, 0.86560905], dtype=float32)>,<tf.tensor: shape=(1,), dtype=float32, numpy=array([2.803], dtype=float32)>)

最后,将每条记录都应用这个方法,就完成了构建。

dataset = dataset.map(parse_csv_line)

完整代码

def csv_2_dataset(filenames, n_readers_thread = 5, batch_size = 32, n_parse_thread = 5, shuffle_buffer_size = 10000):
  
  dataset = tf.data.dataset.list_files(filenames)
  dataset = dataset.repeat()
  dataset = dataset.interleave(
    lambda filename: tf.data.textlinedataset(filename).skip(1),
    cycle_length=n_readers_thread
  )
  dataset.shuffle(shuffle_buffer_size)
  dataset = dataset.map(parse_csv_line, num_parallel_calls = n_parse_thread)
  dataset = dataset.batch(batch_size)
  return dataset

如何使用

train_dataset = csv_2_dataset(train_filenames, batch_size=32)
valid_dataset = csv_2_dataset(valid_filenames, batch_size=32)

model = ...

model.fit(train_set, validation_data=valid_set, 
          steps_per_epoch = 11610 // 32,
          validation_steps = 3870 // 32,
          epochs=100, callbacks=callbacks)

这里的11610 和 3870是什么?

这是train_dataset 和 valid_dataset中数据的数量,需要在训练中手动指定每个batch中参与训练的数据的多少。

model.evaluate(test_set, steps=5160//32)

同理,测试的时候,使用这样的数据集,也需要手动指定。
5160是测试数据集的总量。

以上就是如何从csv文件构建tensorflow的数据集的详细内容,更多关于csv文件构建tensorflow的数据集的资料请关注其它相关文章!