tf.data.experimental.CsvDataset
Набор данных, содержащий строки из одного или нескольких CSV-файлов.
Наследуется от: Dataset
tf.data.experimental.CsvDataset(
filenames,
record_defaults,
compression_type=None,
buffer_size=None,
header=False,
field_delim=',',
use_quote_delim=True,
na_value='',
select_cols=None,
exclude_cols=None
)
Используется в ноутбуках
| Используется в руководстве | Используется в учебниках |
|---|---|
Класс tf.data.experimental.CsvDataset предоставляет минимальный интерфейс для набора данных CSV. Также имеется более богатая функция tf.data.experimental.make_csv_dataset, которая предоставляет дополнительные удобные функции, такие как разбор заголовков столбцов, вывод типов столбцов, автоматическое перемешивание и интерливирование файлов.
Элементы этого набора данных соответствуют записям из файла(ов). Ожидается формат RFC 4180 для CSV-файлов (https://tools.ietf.org/html/rfc4180) Обратите внимание, что мы допускаем ведущие и хвостовые пробелы для целочисленных или численных полей.
Например, предположим, что у нас есть файл 'my_file0.csv' с четырьмя CSV-столбцами разных типов данных:
with open('/tmp/my_file0.csv', 'w') as f:
f.write('abcdefg,4.28E10,5.55E6,12\n')
f.write('hijklmn,-5.3E14,,2\n')Мы можем создать CsvDataset из него следующим образом:
dataset = tf.data.experimental.CsvDataset( "/tmp/my_file0.csv", [tf.float32, # Required field, use dtype or empty tensor tf.constant([0.0], dtype=tf.float32), # Optional field, default to 0.0 tf.int32, # Required field, use dtype or empty tensor ], select_cols=[1,2,3] # Only parse last three columns )
Ожидаемый вывод при итерациях:
for element in dataset.as_numpy_iterator(): print(element) (4.28e10, 5.55e6, 12) (-5.3e14, 0.0, 2)
Дополнительные примеры использования см. в https://www.tensorflow.org/tutorials/load_data/csv#tfdataexperimentalcsvdataset.
| Аргументы | |
|---|---|
filenames | Массив tf.string содержащий один или несколько имен файлов. |
record_defaults | Список значений по умолчанию для полей CSV. Каждый элемент списка — это либо допустимое значение CSV DType (float32, float64, int32, int64, string), либо объект Tensor с одним из вышеперечисленных типов. По одному значению на столбец CSV-данных, со скалярным Tensor значением по умолчанию для столбца, если он необязателен, или DType или пустым Tensor, если требуется. Если заданы оба этот и select_columns, они должны иметь одинаковую длину, и column_defaults предполагается, что отсортирован по возрастанию индекса столбца. Если заданы оба этот и 'exclude_cols', сумма длин record_defaults и exclude_cols должна равняться общему количеству столбцов в CSV-файле. |
compression_type | (Необязательно.) Скаляр tf.string, принимающий значение одного из "" (без сжатия), "ZLIB" или "GZIP". По умолчанию — без сжатия. |
buffer_size | (Необязательно.) Скаляр tf.int64 обозначающий количество байтов для буферизации при чтении файлов. По умолчанию — 4 МБ. |
header | (Необязательно.) Скаляр tf.bool, указывающий, есть ли в CSV-файле(ах) строка(и) заголовка, которую(ые) следует пропустить при обработке. По умолчанию — False. |
field_delim | (Необязательно.) Скаляр tf.string содержащий символ разделителя, отделяющий поля в записи. По умолчанию — ",". |
use_quote_delim | (Необязательно.) Скаляр tf.bool. Если False, рассматривает двойные кавычки как обычные символы внутри строковых полей (игнорируя RFC 4180, раздел 2, пункт 5). По умолчанию — True. |
na_value | (Необязательно.) Скаляр tf.string указывающий значение, которое будет обрабатываться как NA/NaN. |
select_cols | (Необязательно.) Отсортированный список индексов столбцов для выбора из входных данных. Если указано, будут обработаны только этот подмножество столбцов. По умолчанию обрабатываются все столбцы. Максимально один из select_cols и exclude_cols может быть указан. |
exclude_cols | (Необязательно.) Отсортированный список индексов столбцов, которые нужно исключить из входных данных. Если указано, будут обработаны только дополнение этого набора столбцов. По умолчанию обрабатываются все столбцы. Максимально один из select_cols и exclude_cols может быть указан. |
| Исключения | |
|---|---|
InvalidArgumentError | Если exclude_cols не равно None и len(exclude_cols) + len(record_defaults) не соответствует общему количеству столбцов в файле(ах) |
| Атрибуты | |
|---|---|
element_spec | Спецификация типа элемента этого набора данных.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset.element_spec TensorSpec(shape=(), dtype=tf.int32, name=None) Дополнительную информацию можно найти в данном руководстве. |
Методы
apply
apply(
transformation_func
) -> 'DatasetV2'
Применяет функцию преобразования к этому набору данных.
apply позволяет объединять пользовательские Dataset преобразования, которые представлены как функции, принимающие один Dataset аргумент и возвращающие преобразованный Dataset.
dataset = tf.data.Dataset.range(100) def dataset_fn(ds): return ds.filter(lambda x: x < 5) dataset = dataset.apply(dataset_fn) list(dataset.as_numpy_iterator()) [0, 1, 2, 3, 4]
| Аргументы | |
|---|---|
transformation_func | Функция, которая принимает один Dataset аргумент и возвращает Dataset. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
as_numpy_iterator
as_numpy_iterator()
Возвращает итератор, который преобразует все элементы набора данных в NumPy.
Используйте as_numpy_iterator для проверки содержимого вашего набора данных. Чтобы увидеть формы и типы элементов, выводите элементы набора данных напрямую, а не используйте as_numpy_iterator.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) for element in dataset: print(element) tf.Tensor(1, shape=(), dtype=int32) tf.Tensor(2, shape=(), dtype=int32) tf.Tensor(3, shape=(), dtype=int32)
Этот метод требует, чтобы вы работали в режиме eager, и спецификация элемента набора данных содержала только TensorSpec компоненты.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) for element in dataset.as_numpy_iterator(): print(element) 1 2 3
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) print(list(dataset.as_numpy_iterator())) [1, 2, 3]
as_numpy_iterator() сохранит вложенную структуру элементов набора данных.
dataset = tf.data.Dataset.from_tensor_slices({'a': ([1, 2], [3, 4]),
'b': [5, 6]})
list(dataset.as_numpy_iterator()) == [{'a': (1, 3), 'b': 5},
{'a': (2, 4), 'b': 6}]
True| Возвращает | |
|---|---|
| Итерируемый объект по элементам набора данных, с тензорами, преобразованными в массивы NumPy. |
| Возбуждает исключение | |
|---|---|
TypeError | если элемент содержит не-Tensor значение. |
RuntimeError | если выполнение в режиме eager отключено. |
batch
batch(
batch_size,
drop_remainder=False,
num_parallel_calls=None,
deterministic=None,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в пакеты.
dataset = tf.data.Dataset.range(8) dataset = dataset.batch(3) list(dataset.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5]), array([6, 7])]
dataset = tf.data.Dataset.range(8) dataset = dataset.batch(3, drop_remainder=True) list(dataset.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5])]
Компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N равномерно и drop_remainder равно False). Если ваша программа зависит от того, чтобы пакеты имели одинаковое внешнее измерение, вы должны установить аргумент drop_remainder в значение True, чтобы предотвратить создание меньшего пакета.
Примечание: Если ваша программа требует, чтобы данные имели статически известную форму (например, при использовании XLA), вы должны использоватьdrop_remainder=True. Безdrop_remainder=Trueформа выходного набора данных будет иметь неизвестное ведущее измерение из-за возможности создания меньшего конечного пакета.
| Аргументы | |
|---|---|
batch_size | Скаляр tf.int64 типа tf.Tensor, представляющий количество последовательных элементов этого набора данных, объединяемых в один пакет. |
drop_remainder | (Необязательно.) Скаляр tf.bool типа tf.Tensor, представляющий, должен ли последний пакет быть отброшен в случае, если он содержит меньше, чем batch_size элементов; по умолчанию меньший пакет не отбрасывается. |
num_parallel_calls | (Необязательно.) Скаляр tf.int64 типа tf.Tensor, представляющий количество пакетов, которые должны вычисляться асинхронно параллельно. Если не указано, пакеты будут вычисляться последовательно. Если используется значение tf.data.AUTOTUNE, количество параллельных вызовов устанавливается динамически на основе доступных ресурсов. |
deterministic | (Необязательно.) Когда num_parallel_calls указано, если этот булев параметр указан (True или False), он управляет порядком, в котором преобразование генерирует элементы. Если установлен в значение False, преобразование разрешено выдавать элементы вне порядка, чтобы обменять детерминизм на производительность. Если не указано, опция tf.data.Options.deterministic (True по умолчанию) контролирует поведение. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
bucket_by_sequence_length
bucket_by_sequence_length(
element_length_func,
bucket_boundaries,
bucket_batch_sizes,
padded_shapes=None,
padding_values=None,
pad_to_bucket_boundary=False,
no_padding=False,
drop_remainder=False,
name=None
) -> 'DatasetV2'
Преобразование, которое группирует элементы в Dataset по длине.
Элементы Dataset группируются по длине, а затем дополняются и объединяются в пакеты.
Это полезно для задач с последовательностями, где элементы имеют переменную длину. Группирование элементов, имеющих похожие длины, уменьшает общую долю заполнения в пакете, что повышает эффективность шагов обучения.
Ниже приведен пример букетизации входных данных на 3 пакета "[0, 3), [3, 5), [5, inf)" на основе длины последовательности, с размером пакета 2.
elements = [
[0], [1, 2, 3, 4], [5, 6, 7],
[7, 8, 9, 10, 11], [13, 14, 15, 16, 19, 20], [21, 22]]
dataset = tf.data.Dataset.from_generator(
lambda: elements, tf.int64, output_shapes=[None])
dataset = dataset.bucket_by_sequence_length(
element_length_func=lambda elem: tf.shape(elem)[0],
bucket_boundaries=[3, 5],
bucket_batch_sizes=[2, 2, 2])
for elem in dataset.as_numpy_iterator():
print(elem)
[[1 2 3 4]
[5 6 7 0]]
[[ 7 8 9 10 11 0]
[13 14 15 16 19 20]]
[[ 0 0]
[21 22]]| Аргументы | |
|---|---|
element_length_func | Функция, которая принимает элемент в Dataset и возвращает tf.int32, определяющая длину элемента, которая определяет пакет, в который он попадает. |
bucket_boundaries | list<int>, верхние граничные длины пакетов. |
bucket_batch_sizes | list<int>, размер пакета на пакет. Длина должна быть len(bucket_boundaries) + 1. |
padded_shapes | Вложенная структура tf.TensorShape для передачи в tf.data.Dataset.padded_batch. Если не указано, используется dataset.output_shapes, что приведет к тому, что будут дополняться переменные длины измерений до максимальной длины в каждом пакете. |
padding_values | Значения для заполнения, передаваемые в tf.data.Dataset.padded_batch. По умолчанию заполнение нулями. |
pad_to_bucket_boundary | bool, если False, будет заполнять измерения с неизвестным размером до максимальной длины в пакете. Если True, будет заполнять измерения с неизвестным размером до граничной длины пакета минус 1 (т. е. максимальной длины в каждом пакете), и вызывающий должен убедиться, что исходный Dataset не содержит элементов с длиной, большей, чем max(bucket_boundaries). |
no_padding | bool, указывает, нужно ли дополнять характеристики пакета (характеристики должны быть либо типа tf.sparse.SparseTensor, либо одинаковой формы). |
drop_remainder | (Необязательно.) Скаляр tf.bool типа tf.Tensor, представляющий, должен ли последний пакет быть отброшен в случае, если он содержит меньше, чем batch_size элементов; по умолчанию меньший пакет не отбрасывается. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Возбуждает исключение | |
|---|---|
ValueError | если len(bucket_batch_sizes) != len(bucket_boundaries) + 1. |
cache
cache(
filename='', name=None
) -> 'DatasetV2'
Кэширует элементы в этом наборе данных.
В первый раз при итерации по набору данных, его элементы будут кэшированы либо в указанном файле, либо в оперативной памяти. Последующие итерации будут использовать кэшированные данные.
Примечание: Для гарантии завершения кэша, входной набор данных должен быть пройден полностью, до возникновения исключения StopIteration. В противном случае, последующие итерации могут не использовать кэшированные данные.
dataset = tf.data.Dataset.range(5) dataset = dataset.map(lambda x: x**2) dataset = dataset.cache() # The first time reading through the data will generate the data using # `range` and `map`. list(dataset.as_numpy_iterator()) [0, 1, 4, 9, 16] # Subsequent iterations read from the cache. list(dataset.as_numpy_iterator()) [0, 1, 4, 9, 16]
При кэшировании в файл, кэшированные данные будут сохраняться между запусками. Даже первая итерация по данным будет читать данные из файла кэша. Изменение входной цепочки данных перед вызовом .cache() не будет иметь никакого эффекта до тех пор, пока файл кэша не будет удалён или имя файла не будет изменено.
dataset = tf.data.Dataset.range(5)
dataset = dataset.cache("/path/to/file")
list(dataset.as_numpy_iterator())
# [0, 1, 2, 3, 4]
dataset = tf.data.Dataset.range(10)
dataset = dataset.cache("/path/to/file") # Same file!
list(dataset.as_numpy_iterator())
# [0, 1, 2, 3, 4]
Примечание:cacheпроизведёт в точности такие же элементы во время каждой итерации по набору данных. Если вы хотите случайный порядок итерации, убедитесь, что вы вызываетеshuffleпосле вызоваcache.
| Аргументы | |
|---|---|
filename | Скаляр tf.string типа tf.Tensor, представляющий имя каталога в файловой системе, используемом для кэширования элементов в этом наборе данных. Если имя файла не указано, набор данных будет кэширован в оперативной памяти. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
cardinality
cardinality()
Возвращает мощность набора данных, если она известна.
cardinality может вернуть tf.data.INFINITE_CARDINALITY, если набор данных содержит бесконечное количество элементов, или tf.data.UNKNOWN_CARDINALITY, если анализ не смог определить количество элементов в наборе данных (например, когда источником набора данных является файл).
dataset = tf.data.Dataset.range(42) print(dataset.cardinality().numpy()) 42 dataset = dataset.repeat() cardinality = dataset.cardinality() print((cardinality == tf.data.INFINITE_CARDINALITY).numpy()) True dataset = dataset.filter(lambda x: True) cardinality = dataset.cardinality() print((cardinality == tf.data.UNKNOWN_CARDINALITY).numpy()) True
| Возвращает | |
|---|---|
Скаляр tf.int64 Tensor, представляющий мощность набора данных. Если мощность бесконечна или неизвестна, cardinality возвращает именованные константы tf.data.INFINITE_CARDINALITY и tf.data.UNKNOWN_CARDINALITY соответственно. |
choose_from_datasets
@staticmethod
choose_from_datasets(
datasets, choice_dataset, stop_on_empty_dataset=True
) -> 'DatasetV2'
Создаёт набор данных, который детерминированно выбирает элементы из datasets.
Например, при следующих наборах данных:
datasets = [tf.data.Dataset.from_tensors("foo").repeat(),
tf.data.Dataset.from_tensors("bar").repeat(),
tf.data.Dataset.from_tensors("baz").repeat()]
# Define a dataset containing `[0, 1, 2, 0, 1, 2, 0, 1, 2]`.
choice_dataset = tf.data.Dataset.range(3).repeat(3)
result = tf.data.Dataset.choose_from_datasets(datasets, choice_dataset)
Элементы result будут:
"foo", "bar", "baz", "foo", "bar", "baz", "foo", "bar", "baz"
| Аргументы | |
|---|---|
datasets | Непустой список объектов tf.data.Dataset с совместимой структурой. |
choice_dataset | tf.data.Dataset скалярных тензоров типа tf.int64 между 0 и len(datasets) - 1. |
stop_on_empty_dataset | Если True, выбор останавливается, если встречается пустой набор данных. Если False, пустые наборы данных пропускаются. Рекомендуется установить значение True. В противном случае, выбранные элементы начинаются так, как предполагает пользователь, но могут измениться по мере того, как входные наборы данных становятся пустыми. Это может быть трудно обнаружить, так как набор данных сперва выглядит правильно. По умолчанию установлено значение True. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
| Исключения | |
|---|---|
TypeError | Если datasets или choice_dataset имеют неправильный тип. |
ValueError | Если datasets пуст. |
concatenate
concatenate(
dataset, name=None
) -> 'DatasetV2'
Создаёт Dataset, конкатенируя заданный набор данных с этим набором данных.
a = tf.data.Dataset.range(1, 4) # ==> [ 1, 2, 3 ] b = tf.data.Dataset.range(4, 8) # ==> [ 4, 5, 6, 7 ] ds = a.concatenate(b) list(ds.as_numpy_iterator()) [1, 2, 3, 4, 5, 6, 7] # The input dataset and dataset to be concatenated should have # compatible element specs. c = tf.data.Dataset.zip((a, b)) a.concatenate(c) Traceback (most recent call last): TypeError: Two datasets to concatenate have different types <dtype: 'int64'> and (tf.int64, tf.int64) d = tf.data.Dataset.from_tensor_slices(["a", "b", "c"]) a.concatenate(d) Traceback (most recent call last): TypeError: Two datasets to concatenate have different types <dtype: 'int64'> and <dtype: 'string'>
| Аргументы | |
|---|---|
dataset | Dataset для конкатенации. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
counter
@staticmethod
counter(
start=0,
step=1,
dtype=tf.dtypes.int64,
name=None
) -> 'DatasetV2'
Создаёт Dataset, который считает от start с шагом step.
В отличие от tf.data.Dataset.range, который останавливается на некотором конечном числе, tf.data.Dataset.counter производит элементы неограниченно.
dataset = tf.data.experimental.Counter().take(5) list(dataset.as_numpy_iterator()) [0, 1, 2, 3, 4] dataset.element_spec TensorSpec(shape=(), dtype=tf.int64, name=None) dataset = tf.data.experimental.Counter(dtype=tf.int32) dataset.element_spec TensorSpec(shape=(), dtype=tf.int32, name=None) dataset = tf.data.experimental.Counter(start=2).take(5) list(dataset.as_numpy_iterator()) [2, 3, 4, 5, 6] dataset = tf.data.experimental.Counter(start=2, step=5).take(5) list(dataset.as_numpy_iterator()) [2, 7, 12, 17, 22] dataset = tf.data.experimental.Counter(start=10, step=-1).take(5) list(dataset.as_numpy_iterator()) [10, 9, 8, 7, 6]
| Аргументы | |
|---|---|
start | (Необязательно.) Начальное значение для счётчика. По умолчанию 0. |
step | (Необязательно.) Размер шага для счётчика. По умолчанию 1. |
dtype | (Необязательно.) Тип данных для элементов счётчика. По умолчанию tf.int64. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Dataset скалярных элементов типа dtype. |
enumerate
enumerate(
start=0, name=None
) -> 'DatasetV2'
Перечисляет элементы этого набора данных.
Аналогично python's enumerate.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset = dataset.enumerate(start=5) for element in dataset.as_numpy_iterator(): print(element) (5, 1) (6, 2) (7, 3)
# The (nested) structure of the input dataset determines the # structure of elements in the resulting dataset. dataset = tf.data.Dataset.from_tensor_slices([(7, 8), (9, 10)]) dataset = dataset.enumerate() for element in dataset.as_numpy_iterator(): print(element) (0, array([7, 8], dtype=int32)) (1, array([ 9, 10], dtype=int32))
| Аргументы | |
|---|---|
start | Скалярный тензор типа tf.int64, представляющий начальное значение для нумерации. |
name | Необязательно. Имя операций tf.data, используемых в enumerate. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
filter
filter(
predicate, name=None
) -> 'DatasetV2'
Фильтрует этот набор данных в соответствии с predicate.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset = dataset.filter(lambda x: x < 3) list(dataset.as_numpy_iterator()) [1, 2] # `tf.math.equal(x, y)` is required for equality comparison def filter_fn(x): return tf.math.equal(x, 1) dataset = dataset.filter(filter_fn) list(dataset.as_numpy_iterator()) [1]
| Аргументы | |
|---|---|
predicate | Функция, сопоставляющая элемент набора данных с булевым значением. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
fingerprint
fingerprint()
Вычисляет отпечаток пальца этого Dataset.
Если два набора данных имеют одинаковый отпечаток пальца, гарантируется, что они будут производить одинаковые элементы, если содержимое входных файлов не изменится и они будут производить данные детерминированно.
Однако, два набора данных, производящие одинаковые значения, не всегда означают, что у них будет одинаковый отпечаток пальца из-за различных конструкций графа.
Другими словами, если у двух наборов данных разные отпечатки пальцев, они всё ещё могут производить одинаковые значения.
| Возвращаемые значения | |
|---|---|
Скалярный тензор tf.Tensor типа tf.uint64. |
flat_map
flat_map(
map_func, name=None
) -> 'DatasetV2'
Применяет map_func к этому набору данных и уплощает результат.
Тип сигнатуры:
def flat_map( self: Dataset[T], map_func: Callable[[T], Dataset[S]] ) -> Dataset[S]
Используйте flat_map, если хотите убедиться, что порядок вашего набора данных остаётся неизменным. Например, чтобы уплостить набор данных из батчей в набор данных их элементов:
dataset = tf.data.Dataset.from_tensor_slices(
[[1, 2, 3], [4, 5, 6], [7, 8, 9]])
dataset = dataset.flat_map(tf.data.Dataset.from_tensor_slices)
list(dataset.as_numpy_iterator())
[1, 2, 3, 4, 5, 6, 7, 8, 9]tf.data.Dataset.interleave() является обобщением flat_map, так как flat_map производит тот же вывод, что и tf.data.Dataset.interleave(cycle_length=1)
| Аргументы | |
|---|---|
map_func | Функция, сопоставляющая элемент набора данных с набором данных. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
from_generator
@staticmethod
from_generator(
generator,
output_types=None,
output_shapes=None,
args=None,
output_signature=None,
name=None
) -> 'DatasetV2'
Создаёт Dataset, элементы которого генерируются generator. (аргументы устарели)
Примечание: Текущая реализацияDataset.from_generator()используетtf.numpy_functionи наследует те же ограничения. В частности, она требует, чтобы операции, связанные с набором данных и итератором, были размещены на устройстве в том же процессе, что и Python-программа, вызывающаяDataset.from_generator(). В частности, использованиеfrom_generatorлишит возможности использования tf.data service для масштабирования обработки набора данных. Телоgeneratorне будет сериализовано вGraphDef, и вы не должны использовать этот метод, если вам нужно сериализовать свою модель и восстановить её в другой среде.
Аргумент generator должен быть вызываемым объектом, который возвращает объект, поддерживающий протокол iter() (например, функцию-генератор).
Элементы, сгенерированные generator, должны быть совместимы с заданным аргументом output_signature или с заданными аргументами output_types и (необязательно) output_shapes, в зависимости от того, какой из них был указан.
Рекомендуемый способ вызова from_generator — использование аргумента output_signature. В этом случае выходные данные будут предполагаться состоящими из объектов с классами, формами и типами, определёнными объектами tf.TypeSpec из аргумента output_signature:
def gen():
ragged_tensor = tf.ragged.constant([[1, 2], [3]])
yield 42, ragged_tensor
dataset = tf.data.Dataset.from_generator(
gen,
output_signature=(
tf.TensorSpec(shape=(), dtype=tf.int32),
tf.RaggedTensorSpec(shape=(2, None), dtype=tf.int32)))
list(dataset.take(1))
[(<tf.Tensor: shape=(), dtype=int32, numpy=42>,
<tf.RaggedTensor [[1, 2], [3]]>)]Также существует устаревший способ вызова from_generator, используя либо только аргумент output_types, либо вместе с аргументом output_shapes. В этом случае выходные данные функции будут предполагаться состоящими из объектов tf.Tensor с типами, определёнными output_types, и формами, которые либо неизвестны, либо определены аргументом output_shapes.
Примечание: Еслиgeneratorзависит от изменяемых глобальных переменных или другого внешнего состояния, имейте в виду, что во время выполненияgeneratorможет быть вызвано несколько раз (для поддержки повторенияDataset) и в любое время между вызовомDataset.from_generator()и генерацией первого элемента из генератора. Изменение глобальных переменных или внешнего состояния может привести к неопределённому поведению, поэтому рекомендуется кэшировать любое внешнее состояние вgeneratorперед вызовомDataset.from_generator().
Примечание: Хотя параметрoutput_signatureпозволяет генерировать элементыDataset, область примененияDataset.from_generator()должна быть ограничена логикой, которую нельзя выразить через операции tf.data. Использование операций tf.data внутри функции-генератора — это антипаттерн и может привести к нарастающему росту потребления памяти.
| Аргументы | |
|---|---|
generator | Объект вызываемого типа, который возвращает объект, поддерживающий протокол iter(). Если args не указан, generator не должен принимать аргументы; в противном случае он должен принимать столько аргументов, сколько значений в args. |
output_types | (Необязательно.) (Вложенная) структура объектов tf.DType, соответствующих каждому компоненту элемента, сгенерированного generator. |
output_shapes | (Необязательно.) (Вложенная) структура объектов tf.TensorShape, соответствующих каждому компоненту элемента, сгенерированного generator. |
args | (Необязательно.) Кортеж объектов tf.Tensor, которые будут вычислены и переданы generator в качестве аргументов массивов NumPy. |
output_signature | (Необязательно.) (Вложенная) структура объектов tf.TypeSpec, соответствующих каждому компоненту элемента, сгенерированного generator. |
name | (Необязательно.) Имя операций tf.data, используемых from_generator. |
| Возвращаемое значение | |
|---|---|
Dataset | Объект типа Dataset. |
from_tensor_slices
@staticmethod
from_tensor_slices(
tensors, name=None
) -> 'DatasetV2'
Создаёт Dataset, элементы которого представляют собой срезы заданных тензоров.
Заданные тензоры нарезаются по первому измерению. Эта операция сохраняет структуру входных тензоров, удаляя первое измерение каждого тензора и используя его в качестве измерения набора данных. Все входные тензоры должны иметь одинаковый размер в первом измерении.
# Slicing a 1D tensor produces scalar tensor elements. dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) list(dataset.as_numpy_iterator()) [1, 2, 3]
# Slicing a 2D tensor produces 1D tensor elements. dataset = tf.data.Dataset.from_tensor_slices([[1, 2], [3, 4]]) list(dataset.as_numpy_iterator()) [array([1, 2], dtype=int32), array([3, 4], dtype=int32)]
# Slicing a tuple of 1D tensors produces tuple elements containing # scalar tensors. dataset = tf.data.Dataset.from_tensor_slices(([1, 2], [3, 4], [5, 6])) list(dataset.as_numpy_iterator()) [(1, 3, 5), (2, 4, 6)]
# Dictionary structure is also preserved.
dataset = tf.data.Dataset.from_tensor_slices({"a": [1, 2], "b": [3, 4]})
list(dataset.as_numpy_iterator()) == [{'a': 1, 'b': 3},
{'a': 2, 'b': 4}]
True# Two tensors can be combined into one Dataset object.
features = tf.constant([[1, 3], [2, 1], [3, 3]]) # ==> 3x2 tensor
labels = tf.constant(['A', 'B', 'A']) # ==> 3x1 tensor
dataset = Dataset.from_tensor_slices((features, labels))
# Both the features and the labels tensors can be converted
# to a Dataset object separately and combined after.
features_dataset = Dataset.from_tensor_slices(features)
labels_dataset = Dataset.from_tensor_slices(labels)
dataset = Dataset.zip((features_dataset, labels_dataset))
# A batched feature and label set can be converted to a Dataset
# in similar fashion.
batched_features = tf.constant([[[1, 3], [2, 3]],
[[2, 1], [1, 2]],
[[3, 3], [3, 2]]], shape=(3, 2, 2))
batched_labels = tf.constant([['A', 'A'],
['B', 'B'],
['A', 'B']], shape=(3, 2, 1))
dataset = Dataset.from_tensor_slices((batched_features, batched_labels))
for element in dataset.as_numpy_iterator():
print(element)
(array([[1, 3],
[2, 3]], dtype=int32), array([[b'A'],
[b'A']], dtype=object))
(array([[2, 1],
[1, 2]], dtype=int32), array([[b'B'],
[b'B']], dtype=object))
(array([[3, 3],
[3, 2]], dtype=int32), array([[b'A'],
[b'B']], dtype=object))Обратите внимание, что если tensors содержит массив NumPy, а режим выполнения Eager не включён, значения будут включены в граф как одна или несколько операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к потере памяти и проблемам с ограничением размера сериализации графа. Если tensors содержит один или несколько больших массивов NumPy, обратитесь к альтернативному способу, описанному в этом руководстве.
| Аргументы | |
|---|---|
tensors | Элемент набора данных, компоненты которого имеют одинаковое первое измерение. Доступные значения описаны здесь. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset | Объект типа Dataset. |
from_tensors
@staticmethod
from_tensors(
tensors, name=None
) -> 'DatasetV2'
Создаёт Dataset с одним элементом, состоящим из заданных тензоров.
from_tensors создаёт набор данных, содержащий только один элемент. Чтобы нарезать входной тензор на несколько элементов, используйте from_tensor_slices.
dataset = tf.data.Dataset.from_tensors([1, 2, 3]) list(dataset.as_numpy_iterator()) [array([1, 2, 3], dtype=int32)] dataset = tf.data.Dataset.from_tensors(([1, 2, 3], 'A')) list(dataset.as_numpy_iterator()) [(array([1, 2, 3], dtype=int32), b'A')]
# You can use `from_tensors` to produce a dataset which repeats # the same example many times. example = tf.constant([1,2,3]) dataset = tf.data.Dataset.from_tensors(example).repeat(2) list(dataset.as_numpy_iterator()) [array([1, 2, 3], dtype=int32), array([1, 2, 3], dtype=int32)]
Обратите внимание, что если tensors содержит массив NumPy, а режим выполнения Eager не включён, значения будут включены в граф как одна или несколько операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к потере памяти и проблемам с ограничением размера сериализации графа. Если tensors содержит один или несколько больших массивов NumPy, обратитесь к альтернативному способу, описанному в этом руководстве.
| Аргументы | |
|---|---|
tensors | Элемент набора данных. Доступные значения описаны здесь. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset | Объект типа Dataset. |
get_single_element
get_single_element(
name=None
)
Возвращает единственный элемент dataset.
Функция позволяет использовать tf.data.Dataset в бессостоятельном выражении «тензор-на-тензор», без создания итератора. Это упрощает преобразование данных над тензорами с использованием оптимизированной абстракции tf.data.Dataset поверх них.
Например, рассмотрим preprocessing_fn, который принимает исходные признаки и возвращает обработанные признаки вместе с меткой.
def preprocessing_fn(raw_feature):
# ... the raw_feature is preprocessed as per the use-case
return feature
raw_features = ... # input batch of BATCH_SIZE elements.
dataset = (tf.data.Dataset.from_tensor_slices(raw_features)
.map(preprocessing_fn, num_parallel_calls=BATCH_SIZE)
.batch(BATCH_SIZE))
processed_features = dataset.get_single_element()
В примере тензор raw_features длиной BATCH_SIZE был преобразован в tf.data.Dataset. Затем каждый из raw_feature был обработан с помощью preprocessing_fn, и обработанные признаки были сгруппированы в одну партию. Конечный dataset содержит только один элемент — пакет всех обработанных признаков.
Примечание: dataset должен содержать только один элемент.
Теперь, вместо создания итератора для dataset и извлечения пакета признаков, используется функция tf.data.get_single_element(), которая пропускает создание итератора и непосредственно выводит пакет признаков.
Это особенно полезно, когда ваши преобразования тензоров выражены как операции tf.data.Dataset, и вы хотите использовать эти преобразования при обслуживании вашей модели.
Keras
model = ... # A pre-built or custom model
class PreprocessingModel(tf.keras.Model):
def __init__(self, model):
super().__init__(self)
self.model = model
@tf.function(input_signature=[...])
def serving_fn(self, data):
ds = tf.data.Dataset.from_tensor_slices(data)
ds = ds.map(preprocessing_fn, num_parallel_calls=BATCH_SIZE)
ds = ds.batch(batch_size=BATCH_SIZE)
return tf.argmax(self.model(ds.get_single_element()), axis=-1)
preprocessing_model = PreprocessingModel(model)
your_exported_model_dir = ... # save the model to this path.
tf.saved_model.save(preprocessing_model, your_exported_model_dir,
signatures={'serving_default': preprocessing_model.serving_fn}
)
| Аргументы | |
|---|---|
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Вложенная структура объектов tf.Tensor, соответствующих единственному элементу dataset. |
| Исключения | |
|---|---|
InvalidArgumentError | (во время выполнения) если dataset не содержит ровно один элемент. |
group_by_window
group_by_window(
key_func, reduce_func, window_size=None, window_size_func=None, name=None
) -> 'DatasetV2'
Группирует окна элементов по ключу и уменьшает их.
Это преобразование сопоставляет каждый последовательный элемент в наборе данных с ключом, используя key_func, и группирует элементы по ключу. Затем оно применяет reduce_func к не более чем window_size_func(key) элементам, соответствующим одному и тому же ключу. Все окна, кроме конечного окна для каждого ключа, будут содержать window_size_func(key) элементов; конечное окно может быть меньше.
Можно указать либо константу window_size, либо размер окна, определяемый ключом через window_size_func.
dataset = tf.data.Dataset.range(10)
window_size = 5
key_func = lambda x: x%2
reduce_func = lambda key, dataset: dataset.batch(window_size)
dataset = dataset.group_by_window(
key_func=key_func,
reduce_func=reduce_func,
window_size=window_size)
for elem in dataset.as_numpy_iterator():
print(elem)
[0 2 4 6 8]
[1 3 5 7 9]| Аргументы | |
|---|---|
key_func | Функция, отображающая вложенную структуру тензоров (с формами и типами, определёнными self.output_shapes и self.output_types) в скалярный тензор типа tf.int64. |
reduce_func | Функция, отображающая ключ и набор данных до window_size последовательных элементов, соответствующих этому ключу, в другой набор данных. |
window_size | Скалярный тензор типа tf.int64, представляющий количество последовательных элементов, соответствующих одному и тому же ключу, для объединения в одну партию, которая будет передана в reduce_func. Взаимоисключительно с window_size_func. |
window_size_func | Функция, отображающая ключ в скалярный тензор типа tf.int64, представляющий количество последовательных элементов, соответствующих одному и тому же ключу, для объединения в одну партию, которая будет передана в reduce_func. Взаимоисключительно с window_size. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
ValueError | если ни один из {window_size, window_size_func} или оба не переданы. |
ignore_errors
ignore_errors(
log_warning=False, name=None
) -> 'DatasetV2'
Отбрасывает элементы, вызывающие ошибки.
dataset = tf.data.Dataset.from_tensor_slices([1., 2., 0., 4.]) dataset = dataset.map(lambda x: tf.debugging.check_numerics(1. / x, "")) list(dataset.as_numpy_iterator()) Traceback (most recent call last): InvalidArgumentError: ... Tensor had Inf values dataset = dataset.ignore_errors() list(dataset.as_numpy_iterator()) [1.0, 0.5, 0.25]
| Аргументы | |
|---|---|
log_warning | (Необязательно.) Флаг, указывающий, должны ли игнорируемые ошибки записываться в stderr. По умолчанию False. |
name | (Необязательно.) Строка, обозначающая имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
interleave
interleave(
map_func,
cycle_length=None,
block_length=None,
num_parallel_calls=None,
deterministic=None,
name=None
) -> 'DatasetV2'
Применяет map_func ко всему набору данных и интерливирует результаты.
Тип подписи:
def interleave( self: Dataset[T], map_func: Callable[[T], Dataset[S]] ) -> Dataset[S]
Например, можно использовать Dataset.interleave() для одновременной обработки многих входных файлов:
# Preprocess 4 files concurrently, and interleave blocks of 16 records
# from each file.
filenames = ["/var/data/file1.txt", "/var/data/file2.txt",
"/var/data/file3.txt", "/var/data/file4.txt"]
dataset = tf.data.Dataset.from_tensor_slices(filenames)
def parse_fn(filename):
return tf.data.Dataset.range(10)
dataset = dataset.interleave(lambda x:
tf.data.TextLineDataset(x).map(parse_fn, num_parallel_calls=1),
cycle_length=4, block_length=16)Аргументы cycle_length и block_length управляют порядком вывода элементов. cycle_length контролирует количество входных элементов, которые обрабатываются одновременно. Если установить cycle_length в 1, это преобразование будет обрабатывать по одному входному элементу за раз и даст идентичные результаты, как tf.data.Dataset.flat_map. В общем случае это преобразование применит map_func к cycle_length входным элементам, откроет итераторы на возвращённых Dataset объектах, и циклически пройдёт по ним, производя block_length последовательных элементов из каждого итератора и потребляя следующий входной элемент каждый раз, когда достигает конца итератора.
Например:
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ]
# NOTE: New lines indicate "block" boundaries.
dataset = dataset.interleave(
lambda x: Dataset.from_tensors(x).repeat(6),
cycle_length=2, block_length=4)
list(dataset.as_numpy_iterator())
[1, 1, 1, 1,
2, 2, 2, 2,
1, 1,
2, 2,
3, 3, 3, 3,
4, 4, 4, 4,
3, 3,
4, 4,
5, 5, 5, 5,
5, 5]Примечание: Порядок элементов, выдаваемых этим преобразованием, детерминирован, покаmap_funcявляется чистой функцией иdeterministic=True. Еслиmap_funcсодержит какие-либо операции с состоянием, порядок доступа к этому состоянию не определён.
Производительность часто можно улучшить, установив num_parallel_calls, чтобы interleave использовал несколько потоков для получения элементов. Если детерминированность не требуется, производительность также можно улучшить, установив deterministic=False.
filenames = ["/var/data/file1.txt", "/var/data/file2.txt",
"/var/data/file3.txt", "/var/data/file4.txt"]
dataset = tf.data.Dataset.from_tensor_slices(filenames)
dataset = dataset.interleave(lambda x: tf.data.TFRecordDataset(x),
cycle_length=4, num_parallel_calls=tf.data.AUTOTUNE,
deterministic=False)| Аргументы | |
|---|---|
map_func | Функция, принимающая элемент набора данных и возвращающая tf.data.Dataset. |
cycle_length | (Необязательно.) Количество входных элементов, которые будут обрабатываться одновременно. Если не указано, среда выполнения tf.data сама определяет его на основе доступных процессоров. Если num_parallel_calls установлено в tf.data.AUTOTUNE, аргумент cycle_length определяет максимальную степень параллелизма. |
block_length | (Необязательно.) Количество последовательных элементов, которые должны быть получены из каждого входного элемента перед переходом к другому входному элементу. Если не указано, по умолчанию равно 1. |
num_parallel_calls | (Необязательно.) Если указано, реализация создаёт пул потоков, который используется для асинхронного и параллельного получения входов из циклических элементов. По умолчанию поведение заключается в синхронном получении входов из циклических элементов без параллелизма. Если используется значение tf.data.AUTOTUNE, то количество параллельных вызовов устанавливается динамически на основе доступных процессоров. |
deterministic | (Необязательно.) Когда num_parallel_calls указано, если этот булевый параметр указан (True или False), он управляет порядком, в котором преобразование производит элементы. Если установлено в False, преобразованию разрешается выдавать элементы вне порядка, чтобы поменять детерминированность на производительность. Если не указано, параметр tf.data.Options.deterministic (по умолчанию True) управляет поведением. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
list_files
@staticmethod
list_files(
file_pattern, shuffle=None, seed=None, name=None
) -> 'DatasetV2'
Набор данных всех файлов, соответствующих одному или нескольким шаблонам glob.
Аргумент file_pattern должен быть небольшим количеством шаблонов glob. Если имена файлов уже отфильтрованы с помощью glob, используйте Dataset.from_tensor_slices(filenames) вместо этого, так как повторное применение list_files к каждому имени файла может привести к плохой производительности при работе с удалёнными хранилищами.
Примечание: По умолчанию этот метод возвращает имена файлов в не-детерминированном случайном перемешанном порядке. Передайтеseedилиshuffle=False, чтобы получить результаты в детерминированном порядке.
| Пример | |
|---|---|
Если на нашем файловой системе есть следующие файлы:
|
| Аргументы | |
|---|---|
file_pattern | Строка, список строк или тензор типа строка (скалярный или векторный), представляющий шаблон(ы) glob имени файла (т.е. шаблон оболочки с подстановкой). |
shuffle | (Необязательно.) Если True, имена файлов будут перемешаны случайным образом. По умолчанию True. |
seed | (Необязательно.) Скалярный тензор типа tf.int64, представляющий случайное семя, которое будет использоваться для создания распределения. См. tf.random.set_seed для поведения. |
name | (Необязательно.) Имя для операций tf.data, используемых list_files. |
| Возвращаемое значение | |
|---|---|
Dataset | Набор данных строк, соответствующих именам файлов. |
load
@staticmethod
load(
path, element_spec=None, compression=None, reader_func=None
) -> 'DatasetV2'
Загружает ранее сохранённый набор данных.
Пример использования:
import tempfile path = os.path.join(tempfile.gettempdir(), "saved_data") # Save a dataset dataset = tf.data.Dataset.range(2) tf.data.Dataset.save(dataset, path) new_dataset = tf.data.Dataset.load(path) for elem in new_dataset: print(elem) tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64)
Если был использован параметр фрагментации сохранённого набора данных по умолчанию, порядок элементов сохранённого набора данных сохранится при его загрузке.
Аргумент reader_func можно использовать для задания пользовательского порядка загрузки элементов из отдельных фрагментов. Ожидается, что reader_func примет один аргумент — набор данных из наборов данных, каждый из которых содержит элементы одного из фрагментов, и вернёт набор данных из элементов. Например, порядок фрагментов можно перемешать при их загрузке следующим образом:
def custom_reader_func(datasets):
datasets = datasets.shuffle(NUM_SHARDS)
return datasets.interleave(lambda x: x, num_parallel_calls=AUTOTUNE)
dataset = tf.data.Dataset.load(
path="/path/to/data", ..., reader_func=custom_reader_func)
| Аргументы | |
|---|---|
path | Обязательно. Путь к ранее сохранённому набору данных. |
element_spec | Необязательно. Вложенная структура объектов tf.TypeSpec, соответствующая структуре элемента сохранённого набора данных, и определяющая тип отдельных компонентов элемента. Если не указано, используется вложенная структура объектов tf.TypeSpec, сохранённых вместе с набором данных. Обратите внимание, что этот аргумент требуется в режиме графа. |
compression | Необязательно. Алгоритм для распаковки данных при чтении. Поддерживаются варианты GZIP и NONE. По умолчанию используется NONE. |
reader_func | Необязательно. Функция для управления чтением данных из фрагментов. Если присутствует, функция будет отслеживаться и выполняться как вычисление графа. |
| Возвращает | |
|---|---|
Экземпляр tf.data.Dataset. |
| Исключения | |
|---|---|
FileNotFoundError | Если element_spec не указан и вложенная структура сохранённых объектов tf.TypeSpec не может быть найдена вместе с сохранённым набором данных. |
ValueError | Если element_spec не указан и метод выполняется в режиме графа. |
map
map(
map_func, num_parallel_calls=None, deterministic=None, name=None
)
Применяет отображение map_func к элементам этого набора данных.
Это преобразование применяет map_func к каждому элементу этого набора данных и возвращает новый набор данных, содержащий преобразованные элементы в том же порядке, что и в исходном наборе. map_func может использоваться для изменения как значений, так и структуры элементов набора данных. Поддерживаемые структуры элементов описаны здесь.
Например, map можно использовать для добавления 1 к каждому элементу или для проектирования подмножества компонентов элемента.
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ] dataset = dataset.map(lambda x: x + 1) list(dataset.as_numpy_iterator()) [2, 3, 4, 5, 6]
Подпись входных данных для map_func определяется структурой каждого элемента в этом наборе данных.
dataset = Dataset.range(5) # `map_func` takes a single argument of type `tf.Tensor` with the same # shape and dtype. result = dataset.map(lambda x: x + 1)
# Each element is a tuple containing two `tf.Tensor` objects.
elements = [(1, "foo"), (2, "bar"), (3, "baz")]
dataset = tf.data.Dataset.from_generator(
lambda: elements, (tf.int32, tf.string))
# `map_func` takes two arguments of type `tf.Tensor`. This function
# projects out just the first component.
result = dataset.map(lambda x_int, y_str: x_int)
list(result.as_numpy_iterator())
[1, 2, 3]# Each element is a dictionary mapping strings to `tf.Tensor` objects.
elements = ([{"a": 1, "b": "foo"},
{"a": 2, "b": "bar"},
{"a": 3, "b": "baz"}])
dataset = tf.data.Dataset.from_generator(
lambda: elements, {"a": tf.int32, "b": tf.string})
# `map_func` takes a single argument of type `dict` with the same keys
# as the elements.
result = dataset.map(lambda d: str(d["a"]) + d["b"])Значение или значения, возвращаемые map_func, определяют структуру каждого элемента в возвращаемом наборе данных.
dataset = tf.data.Dataset.range(3) # `map_func` returns two `tf.Tensor` objects. def g(x): return tf.constant(37.0), tf.constant(["Foo", "Bar", "Baz"]) result = dataset.map(g) result.element_spec (TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(3,), dtype=tf.string, name=None)) # Python primitives, lists, and NumPy arrays are implicitly converted to # `tf.Tensor`. def h(x): return 37.0, ["Foo", "Bar"], np.array([1.0, 2.0], dtype=np.float64) result = dataset.map(h) result.element_spec (TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.string, name=None), TensorSpec(shape=(2,), dtype=tf.float64, name=None)) # `map_func` can return nested structures. def i(x): return (37.0, [42, 16]), "foo" result = dataset.map(i) result.element_spec ((TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.int32, name=None)), TensorSpec(shape=(), dtype=tf.string, name=None))
map_func может принимать в качестве аргументов и возвращать любой тип элемента набора данных.
Обратите внимание, что независимо от контекста определения map_func (жадный или граф), tf.data отслеживает функцию и выполняет её как вычисление графа. Для использования кода Python внутри функции у вас есть несколько вариантов:
1) Воспользуйтесь AutoGraph для преобразования кода Python в эквивалентное вычисление графа. Недостаток этого подхода заключается в том, что AutoGraph может преобразовать некоторые, но не весь код Python.
2) Используйте tf.py_function, который позволяет писать произвольный код Python, но, как правило, приводит к худшей производительности по сравнению с вариантом 1). Например:
d = tf.data.Dataset.from_tensor_slices(['hello', 'world'])
# transform a string tensor to upper case string using a Python function
def upper_case_fn(t: tf.Tensor):
return t.numpy().decode('utf-8').upper()
d = d.map(lambda x: tf.py_function(func=upper_case_fn,
inp=[x], Tout=tf.string))
list(d.as_numpy_iterator())
[b'HELLO', b'WORLD']3) Используйте tf.numpy_function, который также позволяет писать произвольный код Python. Обратите внимание, что tf.py_function принимает tf.Tensor, тогда как tf.numpy_function принимает массивы NumPy и возвращает только массивы NumPy. Например:
d = tf.data.Dataset.from_tensor_slices(['hello', 'world'])
def upper_case_fn(t: np.ndarray):
return t.decode('utf-8').upper()
d = d.map(lambda x: tf.numpy_function(func=upper_case_fn,
inp=[x], Tout=tf.string))
list(d.as_numpy_iterator())
[b'HELLO', b'WORLD']Обратите внимание, что использование tf.numpy_function и tf.py_function в целом исключает возможность параллельного выполнения пользовательских преобразований (из-за блокировки интерпретатора Python).
Производительность часто можно улучшить, установив num_parallel_calls, чтобы map использовало несколько потоков для обработки элементов. Если порядок не требуется, то можно улучшить производительность, установив deterministic=False.
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ]
dataset = dataset.map(lambda x: x + 1,
num_parallel_calls=tf.data.AUTOTUNE,
deterministic=False)Порядок элементов, возвращаемых этим преобразованием, является детерминированным, если deterministic=True. Если map_func содержит операции с состоянием и num_parallel_calls > 1, то порядок доступа к этому состоянию не определён, поэтому значения выходных элементов могут не быть детерминированными независимо от значения флага deterministic.
| Аргументы | |
|---|---|
map_func | Функция, отображающая элемент набора данных на другой элемент набора данных. |
num_parallel_calls | (Необязательно.) Скалярное целое число tf.Tensor tf.int64, представляющее количество элементов, которые нужно обработать асинхронно параллельно. Если не указано, элементы будут обрабатываться последовательно. Если используется значение tf.data.AUTOTUNE, количество параллельных вызовов устанавливается динамически на основе доступных процессоров. |
deterministic | (Необязательно.) Если num_parallel_calls указано, и этот булево флаг указан (True или False), он контролирует порядок, в котором преобразование производит элементы. Если установлен в False, преобразование разрешается выдавать элементы вне порядка для обмена детерминированностью на производительность. Если не указано, поведение контролирует параметр tf.data.Options.deterministic (по умолчанию True). |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
options
options()
Возвращает параметры этого набора данных и его входных данных.
| Возвращает | |
|---|---|
Объект tf.data.Options, представляющий параметры набора данных. |
padded_batch
padded_batch(
batch_size,
padded_shapes=None,
padding_values=None,
drop_remainder=False,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в упакованные пакеты.
Это преобразование объединяет несколько последовательных элементов входного набора данных в один элемент.
Как и в tf.data.Dataset.batch, компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит число входных элементов N нацело и drop_remainder является False). Если ваша программа зависит от того, что пакеты имеют одинаковое внешнее измерение, вы должны установить аргумент drop_remainder в True, чтобы предотвратить создание меньшего пакета.
В отличие от tf.data.Dataset.batch, входные элементы для пакетной обработки могут иметь разные формы, и это преобразование будет дополнять каждый компонент до соответствующей формы в padded_shapes. Аргумент padded_shapes определяет результирующую форму для каждого измерения каждого компонента в элементе выходных данных:
- Если измерение является константой, компонент будет дополнен до этой длины в этом измерении.
- Если измерение неизвестно, компонент будет дополнен до максимальной длины всех элементов в этом измерении.
A = (tf.data.Dataset
.range(1, 5, output_type=tf.int32)
.map(lambda x: tf.fill([x], x)))
# Pad to the smallest per-batch size that fits all elements.
B = A.padded_batch(2)
for element in B.as_numpy_iterator():
print(element)
[[1 0]
[2 2]]
[[3 3 3 0]
[4 4 4 4]]
# Pad to a fixed size.
C = A.padded_batch(2, padded_shapes=5)
for element in C.as_numpy_iterator():
print(element)
[[1 0 0 0 0]
[2 2 0 0 0]]
[[3 3 3 0 0]
[4 4 4 4 0]]
# Pad with a custom value.
D = A.padded_batch(2, padded_shapes=5, padding_values=-1)
for element in D.as_numpy_iterator():
print(element)
[[ 1 -1 -1 -1 -1]
[ 2 2 -1 -1 -1]]
[[ 3 3 3 -1 -1]
[ 4 4 4 4 -1]]
# Components of nested elements can be padded independently.
elements = [([1, 2, 3], [10]),
([4, 5], [11, 12])]
dataset = tf.data.Dataset.from_generator(
lambda: iter(elements), (tf.int32, tf.int32))
# Pad the first component of the tuple to length 4, and the second
# component to the smallest size that fits.
dataset = dataset.padded_batch(2,
padded_shapes=([4], [None]),
padding_values=(-1, 100))
list(dataset.as_numpy_iterator())
[(array([[ 1, 2, 3, -1], [ 4, 5, -1, -1]], dtype=int32),
array([[ 10, 100], [ 11, 12]], dtype=int32))]
# Pad with a single value and multiple components.
E = tf.data.Dataset.zip((A, A)).padded_batch(2, padding_values=-1)
for element in E.as_numpy_iterator():
print(element)
(array([[ 1, -1],
[ 2, 2]], dtype=int32), array([[ 1, -1],
[ 2, 2]], dtype=int32))
(array([[ 3, 3, 3, -1],
[ 4, 4, 4, 4]], dtype=int32), array([[ 3, 3, 3, -1],
[ 4, 4, 4, 4]], dtype=int32))См. также tf.data.experimental.dense_to_sparse_batch, который объединяет элементы, которые могут иметь разные формы, в tf.sparse.SparseTensor.
| Аргументы | |
|---|---|
batch_size | Скалярное значение типа tf.int64, представляющее количество последовательных элементов этого набора данных, которые необходимо объединить в одну партию. |
padded_shapes | (Необязательно.) (Вложенная) структура из объектов типа tf.TensorShape или tf.int64 векторного тензора, представляющих форму, к которой необходимо дополнить соответствующую компоненту каждого элемента входного набора данных перед объединением в пакет. Любые неизвестные размеры будут дополнены до максимального размера этого измерения в каждом пакете. Если не указано, все измерения всех компонентов дополняются до максимального размера в пакете. padded_shapes должно быть задано, если у любого компонента неизвестна ранг. |
padding_values | (Необязательно.) (Вложенная) структура скалярных значений tf.Tensor, представляющих значения заполнения для соответствующих компонентов. None означает, что (вложенная) структура должна быть дополнена значениями по умолчанию. Значения по умолчанию — 0 для числовых типов и пустая строка для строковых типов. padding_values должна иметь ту же (вложенную) структуру, что и входной набор данных. Если padding_values — единственный элемент, а входной набор данных содержит несколько компонентов, то то же самое padding_values будет использоваться для заполнения каждого компонента набора данных. Если padding_values — скаляр, то его значение будет распространено для соответствия форме каждого компонента. |
drop_remainder | (Необязательно.) Скалярное значение типа tf.bool, представляющее, следует ли отбрасывать последнюю партию в случае, если она содержит меньше, чем batch_size элементов; по умолчанию более мелкая партия не отбрасывается. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
| Исключения | |
|---|---|
ValueError | Если у компонента неизвестный ранг, и аргумент padded_shapes не задан. |
TypeError | Если компонент имеет неподдерживаемый тип. Список поддерживаемых типов описан в https://www.tensorflow.org/guide/data#dataset_structure |
prefetch
prefetch(
buffer_size, name=None
) -> 'DatasetV2'
Создает Dataset, который предварительно загружает элементы из этого набора данных.
Большинство конвейеров ввода данных набора данных должны заканчиваться вызовом prefetch. Это позволяет подготовить последующие элементы, пока обрабатывается текущий элемент. Это часто улучшает задержку и пропускную способность, за счет увеличения использования дополнительной памяти для хранения предварительно загруженных элементов.
Примечание: Как и другие методыDataset, prefetch работает с элементами входного набора данных. Он не имеет понятия об образцах против пакетов.examples.prefetch(2)предварительно загрузит два элемента (2 образца), в то время какexamples.batch(20).prefetch(2)предварительно загрузит 2 элемента (2 пакета по 20 образцов каждый).
dataset = tf.data.Dataset.range(3) dataset = dataset.prefetch(2) list(dataset.as_numpy_iterator()) [0, 1, 2]
| Аргументы | |
|---|---|
buffer_size | Скалярное значение типа tf.int64, представляющее максимальное количество элементов, которые будут буферизированы при предварительной загрузке. Если используется значение tf.data.AUTOTUNE, размер буфера настраивается динамически. |
name | Необязательно. Имя tf.data преобразования. |
| Возвращает | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
ragged_batch
ragged_batch(
batch_size,
drop_remainder=False,
row_splits_dtype=tf.dtypes.int64,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в tf.RaggedTensor.
Как и tf.data.Dataset.batch, компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит число входных элементов N равномерно, и drop_remainder — False). Если ваш код зависит от того, чтобы пакеты имели одинаковое внешнее измерение, задайте аргумент drop_remainder равным True, чтобы предотвратить получение более мелкого пакета.
В отличие от tf.data.Dataset.batch, входные элементы, которые объединяются в пакет, могут иметь разные формы:
- Если входной элемент является
tf.Tensor, чья статическаяtf.TensorShapeполностью определена, то он объединяется в пакет как обычно. - Если входной элемент является
tf.Tensor, чья статическаяtf.TensorShapeсодержит одно или несколько осей с неизвестным размером (т.е.shape[i]=None), то выход будет содержатьtf.RaggedTensor, который является нерегулярным до любого из таких измерений. - Если входной элемент является
tf.RaggedTensorили любого другого типа, то он объединяется в пакет как обычно.
Пример:
dataset = tf.data.Dataset.range(6) dataset = dataset.map(lambda x: tf.range(x)) dataset.element_spec.shape TensorShape([None]) dataset = dataset.ragged_batch(2) for batch in dataset: print(batch) <tf.RaggedTensor [[], [0]]> <tf.RaggedTensor [[0, 1], [0, 1, 2]]> <tf.RaggedTensor [[0, 1, 2, 3], [0, 1, 2, 3, 4]]>
| Аргументы | |
|---|---|
batch_size | Скалярное значение типа tf.int64, представляющее количество последовательных элементов этого набора данных, которые необходимо объединить в одну партию. |
drop_remainder | (Необязательно.) Скалярное значение типа tf.bool, представляющее, следует ли отбрасывать последнюю партию в случае, если она содержит меньше, чем batch_size элементов; по умолчанию более мелкая партия не отбрасывается. |
row_splits_dtype | Тип данных, который необходимо использовать для row_splits любых новых нерегулярных тензоров. Существующие элементы tf.RaggedTensor не изменяют свой тип данных row_splits. |
name | (Необязательно.) Строка, указывающая имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
random
@staticmethod
random(
seed=None, rerandomize_each_iteration=None, name=None
) -> 'DatasetV2'
Создает Dataset псевдослучайных значений.
Набор данных генерирует последовательность целых значений, равномерно распределенных.
rerandomize_each_iteration определяет, следует ли переинициализировать последовательность сгенерированных случайных чисел для каждой эпохи. Значение по умолчанию — False, где набор данных генерирует ту же последовательность случайных чисел для каждой эпохи.
ds1 = tf.data.Dataset.random(seed=4).take(10) ds2 = tf.data.Dataset.random(seed=4).take(10) print(list(ds1.as_numpy_iterator())==list(ds2.as_numpy_iterator())) True
ds3 = tf.data.Dataset.random(seed=4).take(10) ds3_first_epoch = list(ds3.as_numpy_iterator()) ds3_second_epoch = list(ds3.as_numpy_iterator()) print(ds3_first_epoch == ds3_second_epoch) True
ds4 = tf.data.Dataset.random(
seed=4, rerandomize_each_iteration=True).take(10)
ds4_first_epoch = list(ds4.as_numpy_iterator())
ds4_second_epoch = list(ds4.as_numpy_iterator())
print(ds4_first_epoch == ds4_second_epoch)
False| Аргументы | |
|---|---|
seed | (Необязательно) Если указано, набор данных генерирует детерминированную последовательность значений. |
rerandomize_each_iteration | (Необязательно) Если установлено в False, набор данных генерирует ту же последовательность случайных чисел для каждой эпохи. Если установлено в True, он генерирует другую детерминированную последовательность случайных чисел для каждой эпохи. По умолчанию False, если не указано. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Dataset | Dataset. |
range
@staticmethod
range(
*args, **kwargs
) -> 'DatasetV2'
Создает Dataset диапазона значений с заданным шагом.
list(Dataset.range(5).as_numpy_iterator()) [0, 1, 2, 3, 4] list(Dataset.range(2, 5).as_numpy_iterator()) [2, 3, 4] list(Dataset.range(1, 5, 2).as_numpy_iterator()) [1, 3] list(Dataset.range(1, 5, -2).as_numpy_iterator()) [] list(Dataset.range(5, 1).as_numpy_iterator()) [] list(Dataset.range(5, 1, -2).as_numpy_iterator()) [5, 3] list(Dataset.range(2, 5, output_type=tf.int32).as_numpy_iterator()) [2, 3, 4] list(Dataset.range(1, 5, 2, output_type=tf.float32).as_numpy_iterator()) [1.0, 3.0]
| Аргументы | |
|---|---|
*args | соответствует тем же семантическим правилам, что и range в Python. len(args) == 1 -> start = 0, stop = args[0], step = 1. len(args) == 2 -> start = args[0], stop = args[1], step = 1. len(args) == 3 -> start = args[0], stop = args[1], step = args[2]. |
**kwargs |
|
| Возвращает | |
|---|---|
Dataset | RangeDataset. |
| Возвращает исключение | |
|---|---|
ValueError | если len(args) == 0. |
rebatch
rebatch(
batch_size, drop_remainder=False, name=None
) -> 'DatasetV2'
Создаёт Dataset, который повторно группирует элементы из этого набора данных.
rebatch(N) функционально эквивалентно unbatch().batch(N), но более эффективно, выполняя одну копию вместо двух.
ds = tf.data.Dataset.range(6) ds = ds.batch(2) ds = ds.rebatch(3) list(ds.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5])]
ds = tf.data.Dataset.range(7) ds = ds.batch(4) ds = ds.rebatch(3) list(ds.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5]), array([6])]
ds = tf.data.Dataset.range(7) ds = ds.batch(2) ds = ds.rebatch(3, drop_remainder=True) list(ds.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5])]
Если аргумент batch_size представляет собой список, то rebatch перебирает список для определения размера каждой группы.
ds = tf.data.Dataset.range(8) ds = ds.batch(4) ds = ds.rebatch([2, 1, 1]) list(ds.as_numpy_iterator()) [array([0, 1]), array([2]), array([3]), array([4, 5]), array([6]), array([7])]
| Аргументы | |
|---|---|
batch_size | Скаляр или вектор типа tf.int64, представляющий размер групп для создания. Если этот аргумент является вектором, эти значения циклически перебираются в режиме круговой очереди. |
drop_remainder | (Необязательно.) Скалярный tf.bool tf.Tensor, представляющий, следует ли отбрасывать последнюю группу в случае, если она содержит меньше, чем batch_size[cycle_index] элементов; по умолчанию меньшая группа не отбрасывается. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Dataset скалярных элементов типа dtype. |
reduce
reduce(
initial_state, reduce_func, name=None
)
Сводит набор данных к одному элементу.
Преобразование последовательно вызывает reduce_func на каждом элементе входного набора данных до тех пор, пока набор данных не будет исчерпан, агрегируя информацию во внутренней состоянии. Аргумент initial_state используется для начального состояния, а конечное состояние возвращается как результат.
tf.data.Dataset.range(5).reduce(np.int64(0), lambda x, _: x + 1).numpy() 5 tf.data.Dataset.range(5).reduce(np.int64(0), lambda x, y: x + y).numpy() 10
| Аргументы | |
|---|---|
initial_state | Элемент, представляющий начальное состояние преобразования. |
reduce_func | Функция, которая отображает (old_state, input_element) на new_state. Она должна принимать два аргумента и возвращать новый элемент. Структура new_state должна соответствовать структуре initial_state. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
| Элемент набора данных, соответствующий конечному состоянию преобразования. |
rejection_resample
rejection_resample(
class_func, target_dist, initial_dist=None, seed=None, name=None
) -> 'DatasetV2'
Перевыборка элементов для достижения целевого распределения.
Примечание: Эта реализация может отбрасывать или повторять элементы, чтобы достичьtarget_dist. Таким образом, в некоторых случаях выходнойDatasetможет быть больше, чем входнойDataset.
initial_dist = [0.6, 0.4] n = 1000 elems = np.random.choice(len(initial_dist), size=n, p=initial_dist) dataset = tf.data.Dataset.from_tensor_slices(elems) zero, one = np.bincount(list(dataset.as_numpy_iterator())) / n
Следуя из initial_dist, zero составляет ~0,6, а one составляет ~0,4.
target_dist = [0.5, 0.5] dataset = dataset.rejection_resample( class_func=lambda x: x, target_dist=target_dist, initial_dist=initial_dist) dataset = dataset.map(lambda class_func_result, data: data) zero, one = np.bincount(list(dataset.as_numpy_iterator())) / n
Следуя из target_dist, zero составляет ~0,5, а one составляет ~0,5.
| Аргументы | |
|---|---|
class_func | Функция, отображающая элемент входного набора данных на скалярный тензор tf.int32. Значения должны находиться в [0, num_classes). |
target_dist | Тензор с плавающей точкой, имеющий форму [num_classes]. |
initial_dist | (Необязательно.) Тензор с плавающей точкой, имеющий форму [num_classes]. Если не указан, истинное распределение классов оценивается в режиме потока. |
seed | (Необязательно.) Целое число Python, используемое в качестве начального значения генератора случайных чисел для перевыборки. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
repeat
repeat(
count=None, name=None
) -> 'DatasetV2'
Повторяет этот набор данных, чтобы каждый исходный элемент был виден count раз.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset = dataset.repeat(3) list(dataset.as_numpy_iterator()) [1, 2, 3, 1, 2, 3, 1, 2, 3]
Примечание: Если входной набор данных зависит от глобального состояния (например, генератора случайных чисел) или его выход не является детерминированным (например, из-за предварительных shuffle), то разные повторения могут генерировать разные элементы.
| Аргументы | |
|---|---|
count | (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий количество раз, которое набор данных должен быть повторён. По умолчанию (если count равен None или -1) набор данных повторяется неограниченное количество раз. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
sample_from_datasets
@staticmethod
sample_from_datasets(
datasets,
weights=None,
seed=None,
stop_on_empty_dataset=False,
rerandomize_each_iteration=None
) -> 'DatasetV2'
Случайно выбирает элементы из наборов данных в datasets.
Создаёт набор данных путём чередования элементов datasets с вероятностью weight[i] выбора элемента из набора данных i. Выборка осуществляется без возвращения. Например, предположим, что у нас есть 2 набора данных:
dataset1 = tf.data.Dataset.range(0, 3) dataset2 = tf.data.Dataset.range(100, 103)
Предположим, что мы выбираем из этих 2 наборов данных с такими весами:
sample_dataset = tf.data.Dataset.sample_from_datasets(
[dataset1, dataset2], weights=[0.5, 0.5])
Возможный результат элементов в sample_dataset:
print(list(sample_dataset.as_numpy_iterator())) # [100, 0, 1, 101, 2, 102]
| Аргументы | |
|---|---|
datasets | Непустой список объектов tf.data.Dataset с совместимой структурой. |
weights | (Необязательно.) Список или тензор вещественных значений с плавающей точкой, где weights[i] представляет вероятность выбора из datasets[i], или объект tf.data.Dataset, где каждый элемент — такой список. По умолчанию распределение равномерное по всем datasets. |
seed | (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий генератор случайных чисел, который будет использоваться для создания распределения. Смотрите tf.random.set_seed для поведения. |
stop_on_empty_dataset | Если True, выборка останавливается, если она встречает пустой набор данных. Если False, она продолжает выборку и пропускает пустые наборы данных. Рекомендуется установить в True. Иначе распределение выборки изначально соответствует намерениям пользователя, но может измениться по мере того, как входные наборы данных становятся пустыми. Это может быть сложно обнаружить, так как набор данных выглядит правильным в начале. По умолчанию устанавливается в False для обратной совместимости. |
rerandomize_each_iteration | Необязательный bool. Логическое значение управления, будет ли последовательность случайных чисел, используемая для определения того, из какого набора данных производится выбор, пересчитываться при каждом эпохе. То есть, оно определяет, будут ли наборы данных выбираться в одном и том же порядке во всех эпохах (по умолчанию) или нет. |
| Возвращает | |
|---|---|
Набор данных, который чередует элементы из datasets случайным образом, в соответствии с weights, если оно указано, в противном случае с равной вероятностью. |
| Возвращает исключение | |
|---|---|
TypeError | Если аргументы datasets или weights имеют неправильный тип. |
ValueError |
|
save
save(
path, compression=None, shard_func=None, checkpoint_args=None
)
Сохраняет содержимое заданного набора данных.
Пример использования:
import tempfile path = os.path.join(tempfile.gettempdir(), "saved_data") # Save a dataset dataset = tf.data.Dataset.range(2) dataset.save(path) new_dataset = tf.data.Dataset.load(path) for elem in new_dataset: print(elem) tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64)
Сохранённый набор данных сохраняется в нескольких файловых «фрагментах». По умолчанию выходные данные набора данных делятся на фрагменты по круговому принципу, но пользовательское разбиение на фрагменты может быть указано с помощью функции shard_func. Например, вы можете сохранить набор данных, используя один фрагмент следующим образом:
dataset = make_dataset()
def custom_shard_func(element):
return np.int64(0)
dataset.save(
path="/path/to/data", ..., shard_func=custom_shard_func)
Для включения создания контрольных точек передайте checkpoint_args в метод save следующим образом:
dataset = tf.data.Dataset.range(100)
save_dir = "..."
checkpoint_prefix = "..."
step_counter = tf.Variable(0, trainable=False)
checkpoint_args = {
"checkpoint_interval": 50,
"step_counter": step_counter,
"directory": checkpoint_prefix,
"max_to_keep": 20,
}
dataset.save(dataset, save_dir, checkpoint_args=checkpoint_args)
Примечание: Структура каталога и формат файлов, используемые для сохранения набора данных, считаются деталями реализации и могут измениться. По этой причине наборы данных, сохраненные с помощьюtf.data.Dataset.save, следует использовать только черезtf.data.Dataset.load, который гарантирует обратную совместимость.
| Аргументы | |
|---|---|
path | Обязательный. Каталог для сохранения набора данных. |
compression | Необязательный. Алгоритм для сжатия данных при записи. Поддерживаемые варианты — GZIP и NONE. По умолчанию используется NONE. |
shard_func | Необязательный. Функция для управления сопоставлением элементов набора данных с файловыми фрагментами. Функция должна сопоставлять элементы входного набора данных с целочисленными идентификаторами фрагментов. Если присутствует, функция будет прослежена и выполнена как вычисление графа. |
checkpoint_args | Необязательные аргументы для создания контрольных точек, которые будут переданы в tf.train.CheckpointManager. Если checkpoint_args не указаны, создание контрольных точек не будет выполнено. Реализация save() создаёт объект tf.train.Checkpoint внутри, поэтому пользователи не должны устанавливать аргумент checkpoint в checkpoint_args. |
| Возвращаемое значение | |
|---|---|
| Операция, которая при выполнении выполняет сохранение. При записи контрольных точек возвращает None. Значение возврата полезно в модульных тестах. |
| Исключения | |
|---|---|
ValueError, если checkpoint передаётся в checkpoint_args. |
scan
scan(
initial_state, scan_func, name=None
) -> 'DatasetV2'
Преобразование, которое сканирует функцию по входному набору данных.
Это состояниевая версия преобразования tf.data.Dataset.map. Помимо отображения scan_func по элементам входного набора данных, scan() накапливает один или несколько тензоров состояния, начальные значения которых заданы initial_state.
dataset = tf.data.Dataset.range(10) initial_state = tf.constant(0, dtype=tf.int64) scan_func = lambda state, i: (state + i, state + i) dataset = dataset.scan(initial_state=initial_state, scan_func=scan_func) list(dataset.as_numpy_iterator()) [0, 1, 3, 6, 10, 15, 21, 28, 36, 45]
| Аргументы | |
|---|---|
initial_state | Вложенная структура тензоров, представляющая начальное состояние аккумулятора. |
scan_func | Функция, отображающая (old_state, input_element) на (new_state, output_element). Она должна принимать два аргумента и возвращать пару вложенных структур тензоров. Структура new_state должна совпадать со структурой initial_state. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый набор данных Dataset с применённым преобразованием, как описано выше. |
shard
shard(
num_shards, index, name=None
) -> 'DatasetV2'
Создаёт набор данных Dataset, содержащий только 1/num_shards элементов из этого набора данных.
shard детерминирован. Набор данных, созданный функцией A.shard(n, i), будет содержать все элементы A, индекс которых mod n = i.
A = tf.data.Dataset.range(10) B = A.shard(num_shards=3, index=0) list(B.as_numpy_iterator()) [0, 3, 6, 9] C = A.shard(num_shards=3, index=1) list(C.as_numpy_iterator()) [1, 4, 7] D = A.shard(num_shards=3, index=2) list(D.as_numpy_iterator()) [2, 5, 8]
Этот оператор набора данных очень полезен при выполнении распределённого обучения, так как позволяет каждому рабочему процессу читать уникальный подмножество.
При чтении одного входного файла вы можете разбить элементы следующим образом:
d = tf.data.TFRecordDataset(input_file) d = d.shard(num_workers, worker_index) d = d.repeat(num_epochs) d = d.shuffle(shuffle_buffer_size) d = d.map(parser_fn, num_parallel_calls=num_map_threads)
Важные замечания:
- Убедитесь, что вы разбили набор данных до применения любого оператора случайного выбора (например, shuffle).
- В целом лучше всего использовать оператор разбиения на ранних этапах конвейера набора данных. Например, при чтении из набора файлов TFRecord, разделите набор данных на фрагменты до преобразования набора данных в входные образцы. Это предотвращает чтение каждого файла на каждом рабочем процессе. Ниже приведён пример эффективной стратегии разбиения на фрагменты в полном конвейере:
d = Dataset.list_files(pattern, shuffle=False)
d = d.shard(num_workers, worker_index)
d = d.repeat(num_epochs)
d = d.shuffle(shuffle_buffer_size)
d = d.interleave(tf.data.TFRecordDataset,
cycle_length=num_readers, block_length=1)
d = d.map(parser_fn, num_parallel_calls=num_map_threads)
| Аргументы | |
|---|---|
num_shards | Скалярный тензор tf.int64 типа tf.Tensor, представляющий количество фрагментов, работающих параллельно. |
index | Скалярный тензор tf.int64 типа tf.Tensor, представляющий индекс рабочего процесса. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый набор данных Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
InvalidArgumentError | если num_shards или index являются недопустимыми значениями. Примечание: Проверка ошибок выполняется в лучшем случае, и ошибки не гарантируются при создании набора данных. (например, передача в заполнитель обходит раннюю проверку и вместо этого приведёт к ошибке во время вызова session.run.) |
shuffle
shuffle(
buffer_size, seed=None, reshuffle_each_iteration=None, name=None
) -> 'DatasetV2'
Случайным образом перемешивает элементы этого набора данных.
Этот набор данных заполняет буфер элементами buffer_size, затем случайным образом выбирает элементы из этого буфера, заменяя выбранные элементы новыми элементами. Для идеального перемешивания требуется размер буфера, больший или равный полному размеру набора данных.
Например, если ваш набор данных содержит 10 000 элементов, но buffer_size установлен в 1000, то shuffle изначально выберет случайный элемент только из первых 1000 элементов в буфере. После выбора элемента его место в буфере заменяется следующим (т.е. 1001-м) элементом, сохраняя буфер размером в 1000 элементов.
reshuffle_each_iteration управляет тем, должна ли порядок перемешивания быть другим для каждой эпохи. В TF 1.X стандартный способ создания эпох — через преобразование repeat:
dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=True) dataset = dataset.repeat(2) # [1, 0, 2, 1, 2, 0] dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=False) dataset = dataset.repeat(2) # [1, 0, 2, 1, 0, 2]
В TF 2.0 объекты tf.data.Dataset являются итерируемыми объектами Python, что позволяет создавать эпохи также с помощью итерации по Python:
dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=True) list(dataset.as_numpy_iterator()) # [1, 0, 2] list(dataset.as_numpy_iterator()) # [1, 2, 0]
dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=False) list(dataset.as_numpy_iterator()) # [1, 0, 2] list(dataset.as_numpy_iterator()) # [1, 0, 2]
Полное перемешивание всех данных
Чтобы перемешать весь набор данных, установите buffer_size=dataset.cardinality(). Это эквивалентно установлению значения buffer_size равным числу элементов в наборе данных, что приводит к равномерному перемешиванию.
Примечание: shuffle(dataset.cardinality()) загружает весь набор данных в память, чтобы его можно было перемешать. Это приведёт к ошибке переполнения памяти (OOM), если набор данных слишком большой, поэтому полное перемешивание следует использовать только для наборов данных, которые, как известно, помещаются в память, таких как наборы данных имён файлов или другие небольшие наборы данных.
dataset = tf.data.Dataset.range(20) dataset = dataset.shuffle(dataset.cardinality()) # [18, 4, 9, 2, 17, 8, 5, 10, 0, 6, 16, 3, 19, 7, 14, 11, 15, 13, 12, 1]
| Аргументы | |
|---|---|
buffer_size | Скалярный тензор tf.int64 типа tf.Tensor, представляющий количество элементов из этого набора данных, из которых новый набор данных будет брать выборку. Чтобы равномерно перемешать весь набор данных, используйте buffer_size=dataset.cardinality(). |
seed | (Необязательно.) Скалярный тензор tf.int64 типа tf.Tensor, представляющий случайное зерно, которое будет использоваться для создания распределения. См. tf.random.set_seed для получения информации о поведении. |
reshuffle_each_iteration | (Необязательно.) Логическое значение, которое, если истинно, указывает, что набор данных должен быть псевдослучайным образом перемешан каждый раз при итерировании по нему. (По умолчанию — True.) |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый набор данных Dataset с применённым преобразованием, как описано выше. |
skip
skip(
count, name=None
) -> 'DatasetV2'
Создаёт набор данных Dataset, пропускающий count элементов из этого набора данных.
dataset = tf.data.Dataset.range(10) dataset = dataset.skip(7) list(dataset.as_numpy_iterator()) [7, 8, 9]
| Аргументы | |
|---|---|
count | Скалярное значение типа tf.int64 tf.Tensor, представляющее количество элементов этого набора данных, которые нужно пропустить, чтобы создать новый набор данных. Если count больше размера этого набора данных, новый набор данных не будет содержать элементов. Если count равно -1, пропускается весь набор данных. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
snapshot
snapshot(
path,
compression='AUTO',
reader_func=None,
shard_func=None,
name=None
) -> 'DatasetV2'
API для сохранения выходных данных входного набора данных.
API snapshot позволяет пользователям прозрачно сохранять выходные данные своей предварительной обработки на диск и материализовать предварительно обработанные данные в другом запуске обучения.
Этот API позволяет объединить повторяющиеся шаги предварительной обработки и использовать уже обработанные данные, жертвуя хранилищем на диске и пропускной способностью сети, чтобы высвободить больше ценных ресурсов ЦП и вычислительного времени ускорителя.
https://github.com/tensorflow/community/blob/master/rfcs/20200107-tf-data-snapshot.md содержит подробную документацию по проектированию этой функции.
Пользователи могут указать различные параметры для управления поведением snapshot, включая то, как считываются и записываются снимки, передавая пользовательские функции в параметры reader_func и shard_func.
shard_func — это пользовательская функция, которая сопоставляет входные элементы с фрагментами снимка.
Пользователи могут захотеть указать эту функцию, чтобы управлять тем, как файлы снимков записываются на диск. Ниже приведен пример записи потенциальной функции shard_func.
dataset = ...
dataset = dataset.enumerate()
dataset = dataset.snapshot("/path/to/snapshot/dir",
shard_func=lambda x, y: x % NUM_SHARDS, ...)
dataset = dataset.map(lambda x, y: y)
reader_func — это пользовательская функция, которая принимает один аргумент: (1) набор данных наборов данных, каждый из которых представляет «разбиение» элементов исходного набора данных. Мощность входного набора данных соответствует количеству фрагментов, указанных в shard_func (см. выше). Функция должна возвращать набор данных элементов исходного набора данных.
Пользователи могут захотеть указать эту функцию, чтобы управлять тем, как файлы снимков должны считываться с диска, включая количество перемешивания и параллельности.
Вот пример стандартной функции чтения, которую может определить пользователь. Эта функция позволяет перемешивать наборы данных и параллельно читать наборы данных:
def user_reader_func(datasets):
# shuffle the datasets splits
datasets = datasets.shuffle(NUM_CORES)
# read datasets in parallel and interleave their elements
return datasets.interleave(lambda x: x, num_parallel_calls=AUTOTUNE)
dataset = dataset.snapshot("/path/to/snapshot/dir",
reader_func=user_reader_func)
По умолчанию snapshot параллелизует чтение на количество ядер, доступных в системе, но не будет пытаться перемешивать данные.
| Аргументы | |
|---|---|
path | Обязательный параметр. Каталог для хранения/загрузки снимка. |
compression | Необязательный параметр. Тип сжатия, применяемый к снимку, записанному на диск. Доступные варианты: GZIP, SNAPPY, AUTO или None. По умолчанию используется AUTO, который пытается выбрать подходящий алгоритм сжатия для набора данных. |
reader_func | Необязательный параметр. Функция для управления чтением данных из фрагментов снимка. |
shard_func | Необязательный параметр. Функция для управления фрагментированием данных при записи снимка. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
sparse_batch
sparse_batch(
batch_size, row_shape, name=None
) -> 'DatasetV2'
Объединяет последовательные элементы в tf.sparse.SparseTensor.
Как и Dataset.padded_batch(), это преобразование объединяет несколько последовательных элементов набора данных, которые могут иметь разные формы, в один элемент. Результирующий элемент имеет три компонента (indices, values и dense_shape), которые составляют tf.sparse.SparseTensor, представляющий те же данные. row_shape представляет плотную форму каждой строки в результирующем tf.sparse.SparseTensor, к которой в начале добавляется эффективный размер пакета. Например:
# NOTE: The following examples use `{ ... }` to represent the
# contents of a dataset.
a = { ['a', 'b', 'c'], ['a', 'b'], ['a', 'b', 'c', 'd'] }
a.apply(tf.data.experimental.dense_to_sparse_batch(
batch_size=2, row_shape=[6])) ==
{
([[0, 0], [0, 1], [0, 2], [1, 0], [1, 1]], # indices
['a', 'b', 'c', 'a', 'b'], # values
[2, 6]), # dense_shape
([[0, 0], [0, 1], [0, 2], [0, 3]],
['a', 'b', 'c', 'd'],
[1, 6])
}
| Аргументы | |
|---|---|
batch_size | Скалярное значение типа tf.int64 tf.Tensor, представляющее количество последовательных элементов этого набора данных для объединения в одном пакете. |
row_shape | Объект tf.TensorShape или tf.int64 векторного тензора, представляющий эквивалентную плотную форму строки в результирующем tf.sparse.SparseTensor. Каждый элемент этого набора данных должен иметь такой же ранг, как и row_shape, и размер каждого измерения должен быть меньше или равен row_shape. |
name | (Необязательно.) Строка, указывающая имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
take
take(
count, name=None
) -> 'DatasetV2'
Создаёт Dataset с максимум count элементами из этого набора данных.
dataset = tf.data.Dataset.range(10) dataset = dataset.take(3) list(dataset.as_numpy_iterator()) [0, 1, 2]
| Аргументы | |
|---|---|
count | Скалярное значение типа tf.int64 tf.Tensor, представляющее количество элементов этого набора данных, которые нужно взять для создания нового набора данных. Если count равно -1 или если count больше размера этого набора данных, новый набор данных будет содержать все элементы этого набора данных. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
take_while
take_while(
predicate, name=None
) -> 'DatasetV2'
Преобразование, которое останавливает итерацию набора данных на основе predicate.
dataset = tf.data.Dataset.range(10) dataset = dataset.take_while(lambda x: x < 5) list(dataset.as_numpy_iterator()) [0, 1, 2, 3, 4]
| Аргументы | |
|---|---|
predicate | Функция, сопоставляющая вложенную структуру тензоров (с формами и типами, определёнными self.output_shapes и self.output_types) со скалярным тензором tf.bool. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
unbatch
unbatch(
name=None
) -> 'DatasetV2'
Разделяет элементы набора данных на несколько элементов.
Например, если элементы набора данных имеют форму [B, a0, a1, ...], где B может изменяться для каждого входного элемента, то для каждого элемента в наборе данных, набор данных unbatch будет содержать B последовательных элементов формы [a0, a1, ...].
elements = [ [1, 2, 3], [1, 2], [1, 2, 3, 4] ] dataset = tf.data.Dataset.from_generator(lambda: elements, tf.int64) dataset = dataset.unbatch() list(dataset.as_numpy_iterator()) [1, 2, 3, 1, 2, 1, 2, 3, 4]
Примечание:unbatchтребует копирования данных, чтобы разбить пакетный тензор на меньшие, непакетные тензоры. При оптимизации производительности старайтесь избегать ненужного использованияunbatch.
| Аргументы | |
|---|---|
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
unique
unique(
name=None
) -> 'DatasetV2'
Преобразование, которое удаляет дубликаты элементов в Dataset.
Используйте это преобразование для создания набора данных, который содержит по одному экземпляру каждого уникального элемента ввода. Например:
dataset = tf.data.Dataset.from_tensor_slices([1, 37, 2, 37, 2, 1]) dataset = dataset.unique() sorted(list(dataset.as_numpy_iterator())) [1, 2, 37]
Примечание: Эта трансформация поддерживает только наборы данных, которые помещаются в память и имеют элементы типаtf.int32,tf.int64илиtf.string.
| Аргументы | |
|---|---|
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
window
window(
size, shift=None, stride=1, drop_remainder=False, name=None
) -> 'DatasetV2'
Возвращает набор "окон".
Каждое "окно" — это набор, содержащий подмножество элементов входного набора данных. Это конечные наборы данных размером size (или, возможно, меньше, если нет достаточно элементов входных данных для заполнения окна, и drop_remainder вычисляется как False).
Например:
dataset = tf.data.Dataset.range(7).window(3) for window in dataset: print(window) <...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int64, name=None)> <...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int64, name=None)> <...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int64, name=None)>
Поскольку окна — это наборы данных, они могут быть итерированы:
for window in dataset: print(list(window.as_numpy_iterator())) [0, 1, 2] [3, 4, 5] [6]
Сдвиг
Аргумент shift определяет количество элементов входных данных, сдвигаемых между началом каждого окна. Если окна и элементы оба пронумерованы начиная с 0, первый элемент в окне k будет элементом k * shift входного набора данных. В частности, первый элемент первого окна всегда будет первым элементом входного набора данных.
dataset = tf.data.Dataset.range(7).window(3, shift=1,
drop_remainder=True)
for window in dataset:
print(list(window.as_numpy_iterator()))
[0, 1, 2]
[1, 2, 3]
[2, 3, 4]
[3, 4, 5]
[4, 5, 6]Шаг
Аргумент stride определяет шаг между элементами входных данных в пределах окна.
dataset = tf.data.Dataset.range(7).window(3, shift=1, stride=2,
drop_remainder=True)
for window in dataset:
print(list(window.as_numpy_iterator()))
[0, 2, 4]
[1, 3, 5]
[2, 4, 6]Вложенные элементы
Когда преобразование window применяется к набору данных, элементы которого являются вложенными структурами, оно генерирует набор, где элементы имеют ту же вложенную структуру, но каждый лист заменяется окном. Другими словами, вложенность применяется вне окон, а не внутри них.
Тип подписи:
def window(
self: Dataset[Nest[T]], ...
) -> Dataset[Nest[Dataset[T]]]
Применение window к Dataset кортежей даёт кортеж окон:
dataset = tf.data.Dataset.from_tensor_slices(([1, 2, 3, 4, 5],
[6, 7, 8, 9, 10]))
dataset = dataset.window(2)
windows = next(iter(dataset))
windows
(<...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int32, name=None)>,
<...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int32, name=None)>)def to_numpy(ds): return list(ds.as_numpy_iterator()) for windows in dataset: print(to_numpy(windows[0]), to_numpy(windows[1])) [1, 2] [6, 7] [3, 4] [8, 9] [5] [10]
Применение window к Dataset словарей даёт словарь Datasets:
dataset = tf.data.Dataset.from_tensor_slices({'a': [1, 2, 3],
'b': [4, 5, 6],
'c': [7, 8, 9]})
dataset = dataset.window(2)
def to_numpy(ds):
return list(ds.as_numpy_iterator())
for windows in dataset:
print(tf.nest.map_structure(to_numpy, windows))
{'a': [1, 2], 'b': [4, 5], 'c': [7, 8]}
{'a': [3], 'b': [6], 'c': [9]}Разворачивание набора данных окон
Методы Dataset.flat_map и Dataset.interleave могут использоваться для разворачивания набора данных окон в один набор данных.
Аргумент для flat_map — это функция, которая принимает элемент из набора данных и возвращает Dataset. flat_map объединяет полученные наборы данных последовательно.
Например, чтобы преобразовать каждое окно в плотный тензор:
dataset = tf.data.Dataset.range(7).window(3, shift=1,
drop_remainder=True)
batched = dataset.flat_map(lambda x:x.batch(3))
for batch in batched:
print(batch.numpy())
[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]| Аргументы | |
|---|---|
size | Скалярный tf.int64 tf.Tensor, представляющий количество элементов входного набора данных, которые объединяются в окно. Должно быть положительным. |
shift | (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий количество элементов входных данных, на которое окно смещается на каждой итерации. По умолчанию size. Должно быть положительным. |
stride | (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий шаг элементов входных данных в скользящем окне. Значение по умолчанию 1 означает "сохранить каждый элемент входных данных". |
drop_remainder | (Необязательно.) Скалярный tf.bool tf.Tensor, указывающий, следует ли опустить последние окна, если их размер меньше size. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
with_options
with_options(
options, name=None
) -> 'DatasetV2'
Возвращает новый tf.data.Dataset с заданными параметрами.
Параметры «глобальные» в том смысле, что они применяются ко всему набору данных. Если параметры задаются несколько раз, они объединяются, при условии, что разные параметры не используют разные значения, отличные от значений по умолчанию.
ds = tf.data.Dataset.range(5)
ds = ds.interleave(lambda x: tf.data.Dataset.range(5),
cycle_length=3,
num_parallel_calls=3)
options = tf.data.Options()
# This will make the interleave order non-deterministic.
options.deterministic = False
ds = ds.with_options(options)| Аргументы | |
|---|---|
options | tf.data.Options, определяющий используемые параметры. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
| Исключения | |
|---|---|
ValueError | при установке параметра более одного раза с нестандартным значением |
zip
@staticmethod
zip(
*args, datasets=None, name=None
) -> 'DatasetV2'
Создаёт набор данных путём объединения указанных наборов данных.
Этот метод имеет аналогичную семантику встроенной функции zip() в Python, с основным отличием, заключающимся в том, что аргумент datasets может быть (вложенной) структурой объектов Dataset. Поддерживаемые механизмы вложенности описаны здесь.
# The datasets or nested structure of datasets `*args` argument
# determines the structure of elements in the resulting dataset.
a = tf.data.Dataset.range(1, 4) # ==> [ 1, 2, 3 ]
b = tf.data.Dataset.range(4, 7) # ==> [ 4, 5, 6 ]
ds = tf.data.Dataset.zip(a, b)
list(ds.as_numpy_iterator())
[(1, 4), (2, 5), (3, 6)]
ds = tf.data.Dataset.zip(b, a)
list(ds.as_numpy_iterator())
[(4, 1), (5, 2), (6, 3)]
# The `datasets` argument may contain an arbitrary number of datasets.
c = tf.data.Dataset.range(7, 13).batch(2) # ==> [ [7, 8],
# [9, 10],
# [11, 12] ]
ds = tf.data.Dataset.zip(a, b, c)
for element in ds.as_numpy_iterator():
print(element)
(1, 4, array([7, 8]))
(2, 5, array([ 9, 10]))
(3, 6, array([11, 12]))
# The number of elements in the resulting dataset is the same as
# the size of the smallest dataset in `datasets`.
d = tf.data.Dataset.range(13, 15) # ==> [ 13, 14 ]
ds = tf.data.Dataset.zip(a, d)
list(ds.as_numpy_iterator())
[(1, 13), (2, 14)]| Аргументы | |
|---|---|
*args | Наборы данных или вложенные структуры наборов данных для объединения. Не может быть установлено, если datasets установлено. |
datasets | (Вложенная) структура наборов данных. Не может быть установлено, если *args установлено. Обратите внимание, что это существует только для обратной совместимости, и предпочтительнее использовать *args. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
__bool__
__bool__()
__iter__
__iter__() -> iterator_ops.OwnedIterator
Создаёт итератор для элементов этого набора данных.
Возвращаемый итератор реализует протокол Python Iterator.
| Возвращаемое значение | |
|---|---|
tf.data.Iterator для элементов этого набора данных. |
| Исключения | |
|---|---|
RuntimeError | Если не внутри tf.function и не выполняется в режиме eager. |
__len__
__len__()
Возвращает длину набора данных, если она известна и конечна.
Этот метод требует, чтобы вы работали в режиме eager и чтобы длина набора данных была известной и не бесконечной. Когда длина может быть неизвестной или бесконечной, или если вы работаете в режиме графа, используйте tf.data.Dataset.cardinality.
| Возвращаемое значение | |
|---|---|
| Целое число, представляющее длину набора данных. |
| Исключения | |
|---|---|
RuntimeError | Если длина набора данных неизвестна или бесконечна, или если режим eager не включён. |
__nonzero__
__nonzero__()
© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/data/experimental/CsvDataset