Spec-Zone.ru › TensorFlow

tf.data.experimental.RandomDataset

Dataset псевдослучайных значений. (устарело)

Наследует от: Dataset

tf.data.experimental.RandomDataset(
    seed=None, rerandomize_each_iteration=None, name=None
)
Устарело: ЭТА ФУНКЦИЯ УСТАРЕЛА. Она будет удалена в будущей версии. Инструкции по обновлению: используйте tf.data.Dataset.random(...).
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 см. в этом руководстве.

Методы

apply

Просмотреть исходный код

apply(
    transformation_func
) -> 'DatasetV2'

Применяет функцию преобразования к этому набору данных.

apply позволяет объединять в цепочку пользовательские преобразования Dataset, представленные в виде функций, которые принимают один аргумент Dataset и возвращают 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, принимающая один аргумент Dataset и возвращающая Dataset.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

as_numpy_iterator

Просмотреть исходный код

as_numpy_iterator()

Возвращает итератор, преобразующий все элементы набора данных в массивы NumPy.

Используйте as_numpy_iterator для просмотра содержимого 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)

Для работы этого метода требуется eager-режим, а element_spec набора данных должен содержать только компоненты TensorSpec.

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() сохраняет 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, содержащий элементы набора данных, тензоры которых преобразованы в массивы NumPy.
Вызывает исключения
TypeError если элемент содержит значение, не являющееся Tensor.
RuntimeError если eager-выполнение не включено.

batch

Просмотреть исходный код

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 размером batch_size (или N % batch_size для последнего элемента, если batch_size не делит число входных элементов N без остатка и drop_remainder равно False). Если работа программы зависит от одинакового размера внешнего измерения во всех пакетах, задайте аргумент drop_remainder равным True, чтобы предотвратить создание пакета меньшего размера.

Примечание: Если программе нужны данные со статически известной формой (например, при использовании XLA), следует использовать drop_remainder=True. Без drop_remainder=True ведущий размер выходного набора данных будет неизвестен из-за возможности создания последнего пакета меньшего размера.
Аргументы
batch_size Скаляр tf.Tensor типа tf.int64, задающий число последовательных элементов этого набора данных, объединяемых в один пакет.
drop_remainder (Необязательно.) Скаляр tf.Tensor типа tf.bool, определяющий, следует ли отбросить последний пакет, если в нем меньше batch_size элементов; по умолчанию пакет меньшего размера не отбрасывается.
num_parallel_calls (Необязательно.) Скаляр tf.Tensor типа tf.int64, задающий число пакетов, вычисляемых асинхронно параллельно. Если значение не указано, пакеты вычисляются последовательно. Если используется значение tf.data.AUTOTUNE, число параллельных вызовов задается динамически на основе доступных ресурсов.
deterministic (Необязательно.) Если задано num_parallel_calls, этот логический параметр (True или False) определяет порядок, в котором преобразование выдает элементы. Если задано False, преобразование может выдавать элементы не по порядку, обменивая детерминированность на производительность. Если параметр не задан, поведение определяется параметром tf.data.Options.deterministic (по умолчанию — True).
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

bucket_by_sequence_length

Просмотреть исходный код

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, группирующее элементы Dataset по длине.

Элементы Dataset группируются по длине, затем дополняются и объединяются в пакеты.

Это полезно для задач с последовательностями переменной длины. Группировка элементов схожей длины уменьшает общую долю дополнения в пакете, повышая эффективность шага обучения.

Ниже приведен пример распределения входных данных по трем корзинам «[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, переводящая элемент Dataset в tf.int32; определяет длину элемента, от которой зависит выбор корзины.
bucket_boundaries list<int>, верхние границы длины корзин.
bucket_batch_sizes list<int>, размер пакета для каждой корзины. Длина должна быть равна len(bucket_boundaries) + 1.
padded_shapes Вложенная структура объектов tf.TensorShape, передаваемая в tf.data.Dataset.padded_batch. Если не задано, используется dataset.output_shapes, и измерения переменной длины дополняются до максимальной длины в каждом пакете.
padding_values Значения для дополнения, передаваемые в tf.data.Dataset.padded_batch. По умолчанию используется дополнение нулями.
pad_to_bucket_boundary Логическое значение: если False, измерения неизвестного размера дополняются до максимальной длины пакета. Если True, измерения неизвестного размера дополняются до границы корзины минус 1 (то есть до максимальной длины в каждой корзине), и вызывающий код должен гарантировать, что исходный Dataset не содержит элементов длиной больше max(bucket_boundaries).
no_padding bool, указывает, следует ли дополнять признаки пакета (признаки должны быть типа tf.sparse.SparseTensor или иметь одинаковую форму).
drop_remainder (Необязательно.) Скаляр tf.Tensor типа tf.bool, определяющий, следует ли отбросить последний пакет, если в нем меньше batch_size элементов; по умолчанию пакет меньшего размера не отбрасывается.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.
Вызывает исключения
ValueError если len(bucket_batch_sizes) != len(bucket_boundaries) + 1.

cache

Просмотреть исходный код

cache(
    filename='', name=None
) -> 'DatasetV2'

Кэширует элементы этого набора данных.

При первом проходе по набору данных его элементы будут кэшированы либо в указанном файле, либо в памяти. При последующих проходах будут использоваться кэшированные данные.

Примечание: Чтобы гарантировать завершение заполнения кэша, необходимо полностью перебрать входной набор данных до возникновения StopIteration. В противном случае при последующих проходах кэшированные данные могут не использоваться.
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 данные сохраняются между запусками. Даже при первом проходе по данным чтение выполняется из файла кэша. Изменение входного конвейера перед вызовом .cache() не даст эффекта, пока файл кэша не будет удален или его имя 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: cache будет выдавать одни и те же элементы при каждом проходе по набору данных. Если требуется случайный порядок элементов, обязательно вызовите shuffle после вызова cache.
Аргументы
filename Скаляр tf.Tensor типа tf.string, задающий имя каталога в файловой системе, который будет использоваться для кэширования элементов этого набора данных. Если имя файла не указано, набор данных кэшируется в памяти.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

cardinality

Просмотреть исходный код

cardinality()

Возвращает мощность набора данных, если она известна.

cardinality может возвращать tf.data.INFINITE_CARDINALITY, если набор данных содержит бесконечное число элементов, или tf.data.UNKNOWN_CARDINALITY, если анализ не позволяет определить число 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 Tensor типа tf.int64, 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

Просмотреть исходный код

@staticmethod
choose_from_datasets(
    datasets, choice_dataset, stop_on_empty_dataset=True
) -> 'DatasetV2'

Создает набор данных, детерминированно выбирающий элементы из datasets.

Например, для следующих наборов 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)

Элементами result будут:

"foo", "bar", "baz", "foo", "bar", "baz", "foo", "bar", "baz"
Аргументы
datasets Непустой список объектов tf.data.Dataset с совместимой структурой.
choice_dataset Набор данных tf.data.Dataset, содержащий скалярные тензоры типа tf.int64 со значениями от 0 до len(datasets) - 1.
stop_on_empty_dataset Если True, выбор прекращается при обнаружении пустого набора данных. Если False, пустые наборы данных пропускаются. Рекомендуется задать значение True. Иначе сначала выбранные элементы будут соответствовать намерениям пользователя, но могут измениться, когда входные наборы данных опустеют. Это трудно заметить, поскольку изначально набор данных выглядит корректно. По умолчанию — True.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.
Вызывает исключения
TypeError Если datasets или choice_dataset имеет неверный тип.
ValueError Если datasets пуст.

concatenate

Просмотреть исходный код

concatenate(
    dataset, name=None
) -> 'DatasetV2'

Создает Dataset, добавляя указанный набор данных в конец этого набора 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 объединения.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

counter

Просмотреть исходный код

@staticmethod
counter(
    start=0,
    step=1,
    dtype=tf.dtypes.int64,
    name=None
) -> 'DatasetV2'

Создает Dataset, который ведет отсчет от start с шагом step.

В отличие от tf.data.Dataset.range, который останавливается на заданном конечном значении, tf.data.Dataset.counter выдает элементы бесконечно.

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 счетчика. По умолчанию — 0.
step (Необязательно.) Шаг счетчика. По умолчанию — 1.
dtype (Необязательно.) Тип данных элементов счетчика. По умолчанию — tf.int64.
name (Необязательно.) Имя операции tf.data.
Возвращает
Dataset скалярных элементов dtype.

enumerate

Просмотреть исходный код

enumerate(
    start=0, name=None
) -> 'DatasetV2'

Нумерует элементы этого набора данных.

Работает аналогично функции enumerate в Python.

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 Скаляр tf.Tensor типа tf.int64, задающий начальное значение для нумерации.
name Необязательно. Имя операций tf.data, используемых enumerate.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

filter

Просмотреть исходный код

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, преобразующая элемент набора данных в логическое значение.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

fingerprint

Просмотреть исходный код

fingerprint()

Вычисляет отпечаток этого Dataset.

Если у двух наборов данных одинаковый отпечаток, гарантируется, что они будут выдавать идентичные элементы, пока содержимое входных файлов вышестоящих источников не изменяется и данные выдаются детерминированно.

Однако одинаковые значения, выдаваемые двумя наборами данных, не всегда означают, что их отпечатки совпадают: графы могут быть построены по-разному.

Иными словами, два набора данных с разными отпечатками всё же могут выдавать одинаковые значения.

Возвращает
Скалярный tf.Tensor типа tf.uint64.

flat_map

Просмотреть исходный код

flat_map(
    map_func, name=None
) -> 'DatasetV2'

Применяет map_func ко всему набору данных и уплощает результат.

Сигнатура типа:

def flat_map(
  self: Dataset[T],
  map_func: Callable[[T], Dataset[S]]
) -> Dataset[S]

Используйте flat_map, если нужно сохранить исходный порядок элементов набора данных. Например, чтобы преобразовать набор данных из пакетов в набор данных из отдельных 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, поскольку flat_map выдает тот же результат, что и tf.data.Dataset.interleave(cycle_length=1)

Аргументы
map_func Функция, преобразующая элемент набора данных в набор данных.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с примененным описанным выше преобразованием.

from_generator

Просмотреть исходный код

@staticmethod
from_generator(
    generator,
    output_types=None,
    output_shapes=None,
    args=None,
    output_signature=None,
    name=None
) -> 'DatasetV2'

Создает Dataset, элементы которого генерируются функцией generator. (устаревшие аргументы)

Устарело: НЕКОТОРЫЕ АРГУМЕНТЫ УСТАРЕЛИ: (output_shapes, output_types). Они будут удалены в будущей версии. Инструкции по обновлению: используйте output_signature.
Примечание: В текущей реализации Dataset.from_generator() используется tf.numpy_function, поэтому на нее распространяются те же ограничения. В частности, операции, связанные с набором данных и итератором, должны выполняться на устройстве в том же процессе, что и программа Python, вызвавшая Dataset.from_generator(). В частности, использование from_generator не позволит применять службу tf.data для горизонтального масштабирования обработки наборов данных. Тело generator не будет сериализовано в GraphDef, поэтому этот метод не следует использовать, если необходимо сериализовать модель и восстановить ее в другой среде.

Аргумент generator должен быть вызываемым объектом, возвращающим объект, который поддерживает протокол iter() (например, функцию-генератор).

Создаваемые функцией generator элементы должны соответствовать либо заданному аргументу output_signature, либо заданным аргументам output_types и (необязательно) output_shapes — в зависимости от того, какие аргументы указаны.

Рекомендуется вызывать from_generator с аргументом output_signature. В этом случае предполагается, что выходные данные состоят из объектов с классами, формами и типами, заданными 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]]>)]

Существует также устаревший способ вызова from_generator — только с аргументом output_types или вместе с аргументом output_shapes. В этом случае предполагается, что выходные данные функции состоят из объектов tf.Tensor с типами, заданными аргументом output_types, и формами, которые либо неизвестны, либо заданы аргументом output_shapes.

Примечание: Если generator зависит от изменяемых глобальных переменных или другого внешнего состояния, имейте в виду, что среда выполнения может вызывать generator несколько раз (для поддержки повторного выполнения Dataset) и в любой момент между вызовом Dataset.from_generator() и созданием первого элемента генератором. Изменение глобальных переменных или внешнего состояния может привести к неопределенному поведению. Рекомендуем явно кэшировать любое внешнее состояние в generator перед вызовом Dataset.from_generator().
Примечание: Хотя параметр output_signature позволяет создавать элементы Dataset, использование Dataset.from_generator() следует ограничить логикой, которую нельзя выразить с помощью операций tf.data. Использование операций tf.data внутри функции-генератора считается антипаттерном и может привести к постепенному росту потребления памяти.
Аргументы
generator Вызываемый объект, возвращающий объект, поддерживающий протокол iter(). Если args не указан, generator не должен принимать аргументы; в противном случае он должен принимать столько аргументов, сколько значений содержится в args.
output_types (Необязательно.) (Вложенная) структура объектов tf.DType, соответствующих каждому компоненту элемента, создаваемого generator.
output_shapes (Необязательно.) (Вложенная) структура объектов tf.TensorShape, соответствующих каждому компоненту элемента, создаваемого generator.
args (Необязательно.) Кортеж объектов tf.Tensor, которые будут вычислены и переданы в generator в качестве аргументов-массивов NumPy.
output_signature (Необязательно.) (Вложенная) структура объектов tf.TypeSpec, соответствующих каждому компоненту элемента, создаваемого generator.
name (Необязательно.) Имя операций tf.data, используемых from_generator.
Возвращает
Dataset Объект Dataset.

from_tensor_slices

Посмотреть исходный код

@staticmethod
from_tensor_slices(
    tensors, name=None
) -> 'DatasetV2'

Создает Dataset, элементы которого представляют собой срезы заданных тензоров.

Срезы заданных тензоров формируются вдоль их первого измерения. Эта операция сохраняет структуру входных тензоров, удаляя первое измерение каждого тензора и используя его в качестве измерения набора данных. Первые измерения всех входных тензоров должны иметь одинаковый размер.

# 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: если tensors содержит массив NumPy и нетерпеливое выполнение не включено, значения будут встроены в граф в виде одной или нескольких операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к нерациональному расходу памяти и превышению ограничений на размер сериализуемого графа в байтах. Если tensors содержит один или несколько больших массивов NumPy, рассмотрите альтернативный вариант, описанный в этом руководстве.

Аргументы
tensors Элемент набора данных, компоненты которого имеют одинаковое первое измерение. Поддерживаемые значения описаны здесь.
name (Необязательно.) Имя операции tf.data.
Возвращает
Dataset Объект Dataset.

from_tensors

Посмотреть исходный код

@staticmethod
from_tensors(
    tensors, name=None
) -> 'DatasetV2'

Создает Dataset с одним элементом, состоящим из заданных тензоров.

from_tensors создает набор данных, содержащий только один элемент. Чтобы разбить входной тензор на несколько элементов, используйте вместо этого 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: если tensors содержит массив NumPy и нетерпеливое выполнение не включено, значения будут встроены в граф в виде одной или нескольких операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к нерациональному расходу памяти и превышению ограничений на размер сериализуемого графа в байтах. Если tensors содержит один или несколько больших массивов NumPy, рассмотрите альтернативный вариант, описанный в этом руководстве.

Аргументы
tensors «Элемент» набора данных. Поддерживаемые значения описаны здесь.
name (Необязательно.) Имя операции tf.data.
Возвращает
Dataset Объект Dataset.

get_single_element

Посмотреть исходный код

get_single_element(
    name=None
)

Возвращает единственный элемент dataset.

Эта функция позволяет использовать tf.data.Dataset в контексте без состояния «тензор на входе — тензор на выходе», не создавая итератор. Это упрощает преобразование данных в тензорах с помощью оптимизированной абстракции tf.data.Dataset, построенной поверх них.

Например, рассмотрим preprocessing_fn, которая принимает на вход необработанные признаки и возвращает обработанный признак вместе с его 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 приведенном выше примере тензор raw_features длины BATCH_SIZE был преобразован в tf.data.Dataset. Затем каждый из элементов raw_feature был обработан с помощью preprocessing_fn, а обработанные признаки объединены в один пакет. Итоговый dataset содержит только один элемент — пакет со всеми обработанными признаками.

Примечание: dataset должен содержать только один элемент.

Теперь вместо создания итератора для dataset и получения пакета признаков используется функция tf.data.get_single_element(), которая позволяет не создавать итератор и напрямую получить пакет признаков.

Это может быть особенно полезно, если преобразования тензоров представлены в виде операций tf.data.Dataset и вы хотите использовать их при обслуживании 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.
Возвращает
Вложенная структура объектов tf.Tensor, соответствующая единственному элементу dataset.
Вызывает исключение
InvalidArgumentError (во время выполнения), если dataset содержит не ровно один элемент.

group_by_window

Посмотреть исходный код

group_by_window(
    key_func, reduce_func, window_size=None, window_size_func=None, name=None
) -> 'DatasetV2'

Группирует окна элементов по ключу и сокращает их.

Это преобразование сопоставляет каждому последовательному элементу набора данных ключ с помощью key_func и группирует элементы по ключу. Затем оно применяет reduce_func не более чем к window_size_func(key) элементам, соответствующим одному ключу. Все окна, кроме последнего для каждого ключа, будут содержать window_size_func(key) элементов; последнее окно может быть меньше.

Можно указать либо постоянное значение window_size, либо размер окна, определяемый ключом с помощью 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, преобразующая вложенную структуру тензоров (формы и типы которых определяются параметрами self.output_shapes и self.output_types) в скалярный тензор tf.int64.
reduce_func Функция, преобразующая ключ и набор данных, содержащий до window_size последовательных элементов с этим ключом, в другой набор данных.
window_size Скалярный тензор tf.Tensor типа tf.int64, представляющий число последовательных элементов с одинаковым ключом, которые нужно объединить в один пакет и передать в reduce_func. Не может использоваться одновременно с window_size_func.
window_size_func Функция, преобразующая ключ в скалярный тензор tf.Tensor типа tf.int64, представляющий число последовательных элементов с одинаковым ключом, которые нужно объединить в один пакет и передать в reduce_func. Не может использоваться одновременно с window_size.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с преобразованием, примененным описанным выше образом.
Вызывает исключение
ValueError если переданы ни один или оба параметра из {window_size, window_size_func}.

ignore_errors

Посмотреть исходный код

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.) Логическое значение, указывающее, нужно ли записывать игнорируемые ошибки в stderr. По умолчанию — False.
name (Необязательно.) Строка с именем операции tf.data.
Возвращает
Новый Dataset с преобразованием, примененным описанным выше образом.

interleave

Посмотреть исходный код

interleave(
    map_func,
    cycle_length=None,
    block_length=None,
    num_parallel_calls=None,
    deterministic=None,
    name=None
) -> 'DatasetV2'

Сопоставляет map_func элементам этого набора данных и чередует результаты.

Сигнатура типа:

def interleave(
  self: Dataset[T],
  map_func: Callable[[T], Dataset[S]]
) -> Dataset[S]

Например, можно использовать Dataset.interleave() для параллельной обработки множества 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 определяют порядок создания элементов. Параметр cycle_length задает количество одновременно обрабатываемых входных элементов. Если установить cycle_length равным 1, это преобразование будет обрабатывать по одному входному элементу за раз и выдавать те же результаты, что и tf.data.Dataset.flat_map. В общем случае это преобразование применяет map_func к cycle_length входным элементам, открывает итераторы для возвращенных объектов Dataset и циклически проходит по ним, создавая block_length последовательных элементов из каждого итератора и потребляя следующий входной элемент при каждом достижении 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, создаваемых этим преобразованием, является детерминированным, если map_func — чистая функция и deterministic=True. Если map_func содержит операции с состоянием, порядок обращения к этому состоянию не определен.

Часто производительность можно повысить, задав num_parallel_calls, чтобы interleave использовал несколько потоков для получения элементов. Если детерминизм не требуется, производительность также можно повысить, задав 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, обрабатываемых одновременно. Если не задано, среда выполнения tf.data определяет его на основе доступных ресурсов ЦП. Если для num_parallel_calls задано значение tf.data.AUTOTUNE, аргумент cycle_length задает максимальный уровень параллелизма.
block_length (Необязательно.) Количество последовательных элементов, создаваемых из каждого входного элемента перед переходом к следующему входному элементу. По умолчанию равно 1.
num_parallel_calls (Необязательно.) Если указано, реализация создает пул потоков для асинхронного параллельного получения входных данных из элементов цикла. По умолчанию входные данные из элементов цикла извлекаются синхронно, без параллелизма. Если используется значение tf.data.AUTOTUNE, количество параллельных вызовов динамически устанавливается на основе доступных ресурсов ЦП.
deterministic (Необязательно.) Если задан num_parallel_calls и указано это логическое значение (True или False), оно определяет порядок создания элементов преобразованием. Если задано значение False, преобразованию разрешается выдавать элементы не по порядку в обмен на повышение производительности за счет снижения детерминизма. Если параметр не указан, поведение определяется параметром tf.data.Options.deterministic (по умолчанию — True).
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с преобразованием, примененным описанным выше образом.

list_files

Посмотреть исходный код

@staticmethod
list_files(
    file_pattern, shuffle=None, seed=None, name=None
) -> 'DatasetV2'

Набор данных, содержащий все файлы, соответствующие одному или нескольким шаблонам glob.

Аргумент file_pattern должен содержать небольшое количество шаблонов glob. Если имена файлов уже были обработаны glob, используйте вместо этого Dataset.from_tensor_slices(filenames), поскольку повторная обработка каждого имени файла с помощью list_files может снизить производительность при работе с удаленными системами хранения.

Примечание: По умолчанию этот метод возвращает имена файлов в недетерминированном случайном порядке. Передайте seed или shuffle=False, чтобы получить результаты в детерминированном порядке.
Пример
Предположим, что в нашей файловой системе есть следующие файлы:
  • /path/to/dir/a.txt
  • /path/to/dir/b.py
  • /path/to/dir/c.py

Если передать в качестве каталога "/path/to/dir/*.py", набор данных создаст следующие элементы:

  • /path/to/dir/b.py
  • /path/to/dir/c.py
Аргументы
file_pattern Строка, список строк или tf.Tensor строкового типа (скаляр или вектор), представляющие шаблон(ы) glob (то есть шаблон(ы) подстановки оболочки), которым должны соответствовать имена файлов.
shuffle (Необязательно.) Если True, имена файлов будут перемешаны случайным образом. По умолчанию — True.
seed (Необязательно.) Скалярный тензор tf.Tensor типа tf.int64, представляющий начальное значение генератора случайных чисел, используемое для создания распределения. Описание поведения см. в разделе tf.random.set_seed.
name Необязательно. Имя операций tf.data, используемых list_files.
Возвращает
Dataset Объект Dataset, содержащий строки с именами файлов.

load

Посмотреть исходный код

@staticmethod
load(
    path, element_spec=None, compression=None, reader_func=None
) -> 'DatasetV2'

Загружает ранее сохраненный 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 при сохранении набора данных использовалось разбиение на шарды по умолчанию, при загрузке порядок элементов сохраненного набора данных будет сохранен.

Аргумент reader_func позволяет задать пользовательский порядок загрузки элементов из отдельных шардов. Ожидается, что reader_func принимает один аргумент — набор данных, состоящий из наборов данных, каждый из которых содержит элементы одного из шардов, — и возвращает набор данных с элементами. Например, при загрузке порядок шардов можно перемешать 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 Обязательный параметр. Путь к ранее сохраненному набору данных.
element_spec Необязательно. Вложенная структура объектов tf.TypeSpec, соответствующая структуре элемента сохраненного набора данных и задающая тип отдельных компонентов элемента. Если не указана, используется вложенная структура объектов tf.TypeSpec, сохраненная вместе с набором данных. Обратите внимание, что этот аргумент обязателен в режиме графа.
compression Необязательно. Алгоритм, используемый для распаковки данных при чтении. Поддерживаются варианты GZIP и NONE. По умолчанию — NONE.
reader_func Необязательно. Функция, управляющая чтением данных из шардов. Если указана, функция будет трассирована и выполнена как вычисление графа.
Возвращает
Экземпляр tf.data.Dataset.
Вызывает исключение
FileNotFoundError Если element_spec не указан и сохраненную вложенную структуру объектов tf.TypeSpec не удается найти вместе с сохраненным набором данных.
ValueError Если element_spec не указан и метод выполняется в режиме графа.

map

Посмотреть исходный код

map(
    map_func, num_parallel_calls=None, deterministic=None, name=None
)

Сопоставляет map_func элементам этого набора данных.

Это преобразование применяет map_func к каждому элементу набора данных и возвращает новый набор данных с преобразованными элементами в том же порядке, что и во входных данных. map_func можно использовать для изменения значений и структуры элементов набора данных. Поддерживаемые структурные конструкции описаны здесь.

Например, map можно использовать для прибавления 1 к каждому элементу или для проекции 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]

Сигнатура входных данных map_func определяется структурой каждого элемента этого набора 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"])

Возвращаемое значение или значения map_func определяют структуру каждого элемента возвращаемого набора 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 любые типы элементов набора данных.

Обратите внимание: независимо от контекста, в котором определена map_func (нетерпеливое выполнение или граф), tf.data трассирует функцию и выполняет ее как граф. Для использования кода Python внутри функции есть несколько вариантов:

1) Полагаться на AutoGraph, который преобразует код Python в эквивалентное вычисление графа. Недостаток этого подхода в том, что AutoGraph умеет преобразовывать не весь код Python.

2) Использовать tf.py_function, позволяющую писать произвольный код Python, но обычно обеспечивающую худшую производительность, чем вариант 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) Использовать tf.numpy_function, которая также позволяет писать произвольный код Python. Обратите внимание: tf.py_function принимает объекты 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: использование tf.numpy_function и tf.py_function в общем случае исключает возможность параллельного выполнения пользовательских преобразований (из-за GIL Python).

Часто производительность можно повысить, задав num_parallel_calls, чтобы map использовал несколько потоков для обработки элементов. Если порядок выполнения не обязан быть детерминированным, производительность также можно повысить, задав 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, создаваемых этим преобразованием, детерминирован, если deterministic=True. Если map_func содержит операции с состоянием и num_parallel_calls > 1, порядок обращения к этому состоянию не определен, поэтому значения выходных элементов могут быть недетерминированными независимо от значения флага deterministic.

Аргументы
map_func Функция, преобразующая элемент набора данных в другой элемент набора данных.
num_parallel_calls (Необязательно.) Скалярный тензор tf.Tensor типа tf.int64, представляющий количество элементов, обрабатываемых асинхронно и параллельно. Если не указано, элементы обрабатываются последовательно. Если используется значение tf.data.AUTOTUNE, количество параллельных вызовов динамически устанавливается на основе доступных ресурсов ЦП.
deterministic (Необязательно.) Если задан num_parallel_calls и указано это логическое значение (True или False), оно определяет порядок создания элементов преобразованием. Если задано значение False, преобразованию разрешается выдавать элементы не по порядку в обмен на повышение производительности за счет снижения детерминизма. Если параметр не указан, поведение определяется параметром tf.data.Options.deterministic (по умолчанию — True).
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с преобразованием, примененным описанным выше образом.

options

Посмотреть исходный код

options()

Возвращает параметры этого набора данных и его входных данных.

Возвращает
Объект tf.data.Options, представляющий параметры набора данных.

padded_batch

Посмотреть исходный код

padded_batch(
    batch_size,
    padded_shapes=None,
    padding_values=None,
    drop_remainder=False,
    name=None
) -> 'DatasetV2'

Объединяет последовательные элементы этого набора данных в пакеты с дополнением.

Это преобразование объединяет несколько последовательных элементов входного набора данных в один элемент.

Как и в случае с tf.data.Dataset.batch, компоненты результирующего элемента получат дополнительное внешнее измерение, размер которого будет равен batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N нацело и drop_remainder равно False). Если программа требует, чтобы внешнее измерение пакетов всегда имело одинаковый размер, задайте для аргумента drop_remainder значение True, чтобы предотвратить создание пакета меньшего размера.

В отличие от tf.data.Dataset.batch, входные элементы, объединяемые в пакеты, могут иметь разные формы, и это преобразование дополнит каждый компонент до соответствующей формы в padded_shapes. Аргумент padded_shapes определяет результирующую форму для каждого измерения каждого компонента выходного элемента:

  • Если измерение является константой, компонент будет дополнен до указанной 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, которое объединяет элементы с разными формами в tf.sparse.SparseTensor.

Аргументы
batch_size Скалярный tf.int64 tf.Tensor, представляющий количество последовательных элементов этого набора данных, которые следует объединить в один пакет.
padded_shapes (Необязательно.) (Вложенная) структура объектов, подобных тензорам типа tf.TensorShape или вектору tf.int64, задающая форму, до которой следует дополнить соответствующий компонент каждого входного элемента перед объединением в пакеты. Все неизвестные измерения будут дополнены до максимального размера этого измерения в каждом пакете. Если значение не задано, все измерения всех компонентов дополняются до максимального размера в пакете. Аргумент padded_shapes необходимо задать, если ранг какого-либо компонента неизвестен.
padding_values (Необязательно.) (Вложенная) структура тензоров tf.Tensor скалярной формы, задающая значения заполнения для соответствующих компонентов. Значение None означает, что для заполнения (вложенной) структуры следует использовать значения по умолчанию. Для числовых типов значением по умолчанию является 0, а для строковых типов — пустая строка. Аргумент padding_values должен иметь ту же (вложенную) структуру, что и входной набор данных. Если padding_values состоит из одного элемента, а входной набор данных содержит несколько компонентов, то для заполнения каждого компонента набора данных будет использоваться одно и то же значение padding_values. Если padding_values — скаляр, его значение будет расширено до формы каждого компонента.
drop_remainder (Необязательно.) Скалярный tf.bool tf.Tensor, указывающий, следует ли отбрасывать последний пакет, если в нём меньше batch_size элементов; по умолчанию меньший пакет не отбрасывается.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.
Вызывает исключения
ValueError Если ранг компонента неизвестен и аргумент padded_shapes не задан.
TypeError Если компонент имеет неподдерживаемый тип. Список поддерживаемых типов приведён в документации по адресу https://www.tensorflow.org/guide/data#dataset_structure

prefetch

Посмотреть исходный код

prefetch(
    buffer_size, name=None
) -> 'DatasetV2'

Создаёт Dataset, предварительно загружающий элементы из этого набора данных.

Большинство конвейеров входных данных для наборов данных должны завершаться вызовом prefetch. Это позволяет подготавливать следующие элементы, пока обрабатывается текущий. Это часто повышает производительность и пропускную способность за счёт дополнительной памяти, используемой для хранения предварительно загруженных элементов.

Примечание: Как и другие методы Dataset, prefetch работает с элементами входного набора данных. Он не различает примеры и пакеты. examples.prefetch(2) предварительно загрузит два элемента (2 примера), а examples.batch(20).prefetch(2) — 2 элемента (2 пакета по 20 примеров в каждом).
dataset = tf.data.Dataset.range(3)
dataset = dataset.prefetch(2)
list(dataset.as_numpy_iterator())
[0, 1, 2]
Аргументы
buffer_size Скалярный tf.int64 tf.Tensor, задающий максимальное количество элементов, которые будут буферизованы при предварительной загрузке. Если используется значение tf.data.AUTOTUNE, размер буфера настраивается динамически.
name Необязательно. Имя преобразования tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

ragged_batch

Посмотреть исходный код

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 в случае с tf.data.Dataset.batch, компоненты результирующего элемента получат дополнительное внешнее измерение, которое будет равно batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N без остатка и drop_remainder равно False). Если программа предполагает, что внешнее измерение пакетов одинаково, задайте аргумент drop_remainder равным True, чтобы не создавать пакет меньшего размера.

В отличие от tf.data.Dataset.batch, входные элементы, объединяемые в пакеты, могут иметь разные формы:

  • Если входной элемент — это tf.Tensor, статическая форма tf.TensorShape которого полностью определена, он объединяется в пакет обычным образом.
  • Если входной элемент — это tf.Tensor, статическая форма tf.TensorShape которого содержит одну или несколько осей с неизвестным размером (то есть shape[i]=None), выходные данные будут содержать tf.RaggedTensor с переменной длиной по всем таким измерениям.
  • Если входной элемент — это tf.RaggedTensor или объект любого другого типа, он объединяется в пакет обычным образом.

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 Скалярный tf.int64 tf.Tensor, представляющий количество последовательных элементов этого набора данных, которые следует объединить в один пакет.
drop_remainder (Необязательно.) Скалярный tf.bool tf.Tensor, указывающий, следует ли отбрасывать последний пакет, если в нём меньше batch_size элементов; по умолчанию меньший пакет не отбрасывается.
row_splits_dtype Тип данных, который следует использовать для row_splits новых разреженных тензоров. Тип данных row_splits существующих элементов tf.RaggedTensor не изменяется.
name (Необязательно.) Строка, задающая имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

random

Посмотреть исходный код

@staticmethod
random(
    seed=None, rerandomize_each_iteration=None, name=None
) -> 'DatasetV2'

Создаёт Dataset псевдослучайных значений.

Набор данных генерирует последовательность равномерно распределённых целочисленных значений.

Параметр rerandomize_each_iteration определяет, следует ли генерировать новую последовательность случайных чисел для каждой эпохи. По умолчанию используется значение False, поэтому для каждой эпохи набор данных генерирует одну и ту же последовательность случайных чисел.

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 создаёт детерминированную последовательность значений.
rerandomize_each_iteration (Необязательно.) Если задано значение False, набор данных генерирует одну и ту же последовательность случайных чисел для каждой эпохи. Если задано значение True, для каждой эпохи генерируется своя детерминированная последовательность случайных чисел. Если значение не указано, по умолчанию используется False.
name (Необязательно.) Имя операции tf.data.
Возвращает
Dataset Объект Dataset.

range

Посмотреть исходный код

@staticmethod
range(
    *args, **kwargs
) -> 'DatasetV2'

Создаёт Dataset значений диапазона 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 Имеет ту же семантику, 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
  • output_type: ожидаемый тип данных. (Необязательно, по умолчанию: tf.int64).
  • name: (Необязательно.) Имя операции tf.data.
Возвращает
Dataset Объект RangeDataset.
Вызывает исключения
ValueError если len(args) == 0.

rebatch

Посмотреть исходный код

rebatch(
    batch_size, drop_remainder=False, name=None
) -> 'DatasetV2'

Создаёт Dataset, повторно формирующий пакеты из элементов этого набора данных.

По функциональности rebatch(N) эквивалентен unbatch().batch(N), но работает эффективнее, выполняя одну операцию копирования 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, rebatch циклически перебирает этот список, чтобы определить размер каждого пакета.

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 tf.int64, задающий размер создаваемых пакетов. Если этот аргумент является вектором, значения перебираются по кругу.
drop_remainder (Необязательно.) Скалярный tf.bool tf.Tensor, указывающий, следует ли отбрасывать последний пакет, если в нём меньше batch_size[cycle_index] элементов; по умолчанию меньший пакет не отбрасывается.
name (Необязательно.) Имя операции tf.data.
Возвращает
Dataset скалярных элементов dtype.

reduce

Посмотреть исходный код

reduce(
    initial_state, reduce_func, name=None
)

Сводит входной набор данных к одному элементу.

Преобразование последовательно вызывает reduce_func для каждого элемента входного набора данных, пока набор не будет исчерпан, накапливая информацию во внутреннем состоянии. Аргумент initial_state используется как начальное состояние, а конечное состояние возвращается в качестве результата.

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, преобразующая (old_state, input_element) в new_state. Она должна принимать два аргумента и возвращать новый элемент. Структура new_state должна совпадать со структурой initial_state.
name (Необязательно.) Имя операции tf.data.
Возвращает
Элемент набора данных, соответствующий конечному состоянию преобразования.

rejection_resample

Посмотреть исходный код

rejection_resample(
    class_func, target_dist, initial_dist=None, seed=None, name=None
) -> 'DatasetV2'

Повторно выбирает элементы, чтобы достичь целевого распределения.

Примечание: Эта реализация может отбрасывать или повторять элементы для достижения target_dist. Поэтому в некоторых случаях выходной Dataset может быть больше входного Dataset.
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

Исходя из initial_dist, zero составляет примерно 0.6, а one — примерно 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

Исходя из target_dist, zero составляет примерно 0.5, а one — примерно 0.5.

Аргументы
class_func Функция, преобразующая элемент входного набора данных в скалярный тензор tf.int32. Значения должны находиться в диапазоне [0, num_classes).
target_dist Тензор с плавающей точкой формы [num_classes].
initial_dist (Необязательно.) Тензор с плавающей точкой формы [num_classes]. Если он не задан, истинное распределение классов оценивается в процессе потоковой обработки.
seed (Необязательно.) Целочисленное начальное значение Python для повторной выборки.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

repeat

Посмотреть исходный код

repeat(
    count=None, name=None
) -> 'DatasetV2'

Повторяет этот набор данных, чтобы каждое исходное значение встречалось 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 выходные данные недетерминированы (например, из-за предшествующего shuffle), при разных повторениях могут генерироваться разные элементы.
Аргументы
count (Необязательно.) Скалярный tf.int64 tf.Tensor, задающий количество повторений набора данных. По умолчанию (если count равно None или -1) набор данных повторяется бесконечно.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

sample_from_datasets

Посмотреть исходный код

@staticmethod
sample_from_datasets(
    datasets,
    weights=None,
    seed=None,
    stop_on_empty_dataset=False,
    rerandomize_each_iteration=None
) -> 'DatasetV2'

Случайным образом выбирает элементы из наборов данных в datasets.

Создаёт набор данных, чередуя элементы из datasets с вероятностью weight[i] выбора элемента из набора данных i. Выборка выполняется 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 элементы из этих двух наборов данных со следующими весами:

sample_dataset = tf.data.Dataset.sample_from_datasets(
    [dataset1, dataset2], weights=[0.5, 0.5])

Один из возможных вариантов последовательности 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 из значений с плавающей точкой типа len(datasets), где weights[i] задаёт вероятность выбора элемента из datasets[i], либо объект tf.data.Dataset, каждый элемент которого представляет собой такой список. По умолчанию используется равномерное распределение между datasets.
seed (Необязательно.) Скалярный tf.int64 tf.Tensor, задающий начальное значение генератора случайных чисел, используемое для создания распределения. Информацию о поведении см. в разделе tf.random.set_seed.
stop_on_empty_dataset Если значение равно True, выборка прекращается при обнаружении пустого набора данных. Если значение равно False, выборка продолжается, а пустые наборы данных пропускаются. Рекомендуется задать значение True. В противном случае распределение выборки сначала будет соответствовать заданному пользователем, но может измениться, когда входные наборы данных опустеют. Это может быть трудно заметить, поскольку изначально набор данных выглядит корректно. Для обратной совместимости по умолчанию используется значение False.
rerandomize_each_iteration Необязательный параметр bool. Логический аргумент определяет, будет ли последовательность случайных чисел, используемая для выбора набора данных, генерироваться заново в каждой эпохе. То есть он определяет, будут ли наборы данных выбираться в одном и том же порядке в разных эпохах (поведение по умолчанию) или нет.
Возвращает
Набор данных, случайным образом чередующий элементы из datasets согласно weights, если он задан; в противном случае используется равномерное распределение вероятностей.
Вызывает исключения
TypeError Если аргументы datasets или weights имеют неверный тип.
ValueError
  • Если datasets пуст, или
  • Если задан weights и его длина не совпадает с длиной datasets.

save

Посмотреть исходный код

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 записывается в несколько файловых «сегментов». По умолчанию выходные данные набора данных распределяются по сегментам циклически, но можно задать пользовательское разбиение с помощью функции shard_func. Например, набор данных можно сохранить в одном сегменте 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)

Чтобы включить создание контрольных точек, передайте checkpoint_args методу 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 каталогов и формат файлов, используемые для сохранения набора данных, являются деталями реализации и могут измениться. Поэтому наборы данных, сохранённые с помощью tf.data.Dataset.save, следует загружать только с помощью tf.data.Dataset.load, для которого гарантирована обратная совместимость.
Аргументы
path Обязательный аргумент. Каталог для сохранения набора данных.
compression Необязательный аргумент. Алгоритм сжатия данных при записи. Поддерживаются варианты GZIP и NONE. По умолчанию используется NONE.
shard_func Необязательный аргумент. Функция, управляющая распределением элементов набора данных по файловым сегментам. Ожидается, что функция сопоставляет элементы входного набора данных с целочисленными идентификаторами сегментов типа int64. Если функция задана, она будет трассирована и выполнена как вычисление графа.
checkpoint_args Необязательные аргументы для создания контрольных точек, которые будут переданы в tf.train.CheckpointManager. Если checkpoint_args не заданы, контрольные точки создаваться не будут. Реализация save() самостоятельно создаёт объект tf.train.Checkpoint, поэтому пользователям не следует задавать аргумент checkpoint в checkpoint_args.
Возвращает
Операцию, выполнение которой сохраняет данные. При записи контрольных точек возвращает None. Возвращаемое значение полезно в модульных тестах.
Вызывает исключения
ValueError, если checkpoint передан в checkpoint_args.

scan

Посмотреть исходный код

scan(
    initial_state, scan_func, name=None
) -> 'DatasetV2'

Преобразование, применяющее функцию ко всему входному набору данных с накоплением состояния.

Это преобразование является версией tf.data.Dataset.map с состоянием. Помимо применения scan_func к элементам входного набора данных, scan() накапливает один или несколько тензоров состояния, начальные значения которых — 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, преобразующая (old_state, input_element) в (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.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

shard

Посмотреть исходный код

shard(
    num_shards, index, name=None
) -> 'DatasetV2'

Создаёт Dataset, включающий только 1/num_shards элементов этого набора данных.

shard является детерминированным. Набор данных, созданный с помощью A.shard(n, i), будет содержать все элементы A, для которых индекс 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 распределённом обучении, поскольку позволяет каждому рабочему процессу считывать уникальную подвыборку.

При чтении одного входного файла можно разбить элементы на части 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:

  • Обязательно выполняйте разбиение на части до использования операторов рандомизации (например, shuffle).
  • Как правило, оператор разбиения на части лучше использовать в начале конвейера набора данных. Например, при чтении набора файлов TFRecord выполняйте разбиение до преобразования набора данных во входные образцы. Это позволяет не считывать каждый файл на каждом рабочем процессе. Ниже приведён пример эффективной стратегии разбиения на части в составе полного конвейера:
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 tf.int64 tf.Tensor, задающий количество параллельно работающих сегментов.
index Скалярный tf.int64 tf.Tensor, задающий индекс рабочего процесса.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.
Возбуждает исключения
InvalidArgumentError если num_shards или index являются недопустимыми значениями.
Примечание: проверка ошибок выполняется по мере возможности, и не гарантируется, что ошибки будут обнаружены при создании набора данных. (Например, передача значения в тензоре-заполнителе обходит предварительную проверку и вместо этого приводит к ошибке при вызове session.run.)

shuffle

Просмотреть исходный код

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, а затем случайным образом выбирает элементы из этого буфера, заменяя выбранные элементы новыми. Для идеального перемешивания размер буфера должен быть не меньше полного размера набора данных.

Например, если набор данных содержит 10 000 элементов, но buffer_size задано равным 1 000, то shuffle сначала выберет случайный элемент только из первых 1 000 элементов в буфере. После выбора элемента его место в буфере займёт следующий элемент (то есть элемент под номером 1 001), и в буфере по-прежнему будет 1 000 элементов.

reshuffle_each_iteration определяет, должен ли порядок перемешивания различаться в каждой эпохе. В TF 1.X идиоматичным способом создания эпох было 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, поэтому эпохи можно создавать также с помощью итерации 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, задайте buffer_size=dataset.cardinality(). Это эквивалентно установке значения buffer_size, равного количеству элементов в наборе данных, что обеспечивает равномерное перемешивание.

Примечание: shuffle(dataset.cardinality()) загружает весь набор данных в память для перемешивания. Если набор данных слишком велик, это приведёт к ошибке переполнения памяти (OOM), поэтому полное перемешивание следует использовать только для наборов данных, которые заведомо помещаются в памяти, например наборов имён файлов или других небольших наборов 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 tf.int64 tf.Tensor, представляющий количество элементов этого набора данных, из которых будут выбираться элементы нового набора данных. Чтобы равномерно перемешать весь набор данных, используйте buffer_size=dataset.cardinality().
seed (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий случайное начальное значение, которое будет использоваться для создания распределения. Описание поведения см. в разделе tf.random.set_seed.
reshuffle_each_iteration (Необязательно.) Логическое значение, указывающее, следует ли псевдослучайно перемешивать набор данных заново при каждой итерации. (По умолчанию — True.)
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

skip

Просмотреть исходный код

skip(
    count, name=None
) -> 'DatasetV2'

Создаёт Dataset, пропускающий count элементов этого набора данных.

dataset = tf.data.Dataset.range(10)
dataset = dataset.skip(7)
list(dataset.as_numpy_iterator())
[7, 8, 9]
Аргументы
count Скалярный tf.int64 tf.Tensor, представляющий количество элементов этого набора данных, которые нужно пропустить при создании нового набора данных. Если count превышает размер этого набора данных, новый набор данных не будет содержать элементов. Если count равно -1, пропускается весь набор данных.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

snapshot

Просмотреть исходный код

snapshot(
    path,
    compression='AUTO',
    reader_func=None,
    shard_func=None,
    name=None
) -> 'DatasetV2'

API для сохранения результатов входного набора данных.

API snapshot позволяет пользователям прозрачно сохранять результаты конвейера предварительной обработки на диск и использовать предварительно обработанные данные при другом запуске обучения.

Этот API позволяет объединять повторяющиеся шаги предварительной обработки и повторно использовать уже обработанные данные, обменивая дисковое пространство и пропускную способность сети на высвобождение более ценных ресурсов ЦП и времени вычислений ускорителя.

Подробная документация по проектированию этой функции приведена в разделе https://github.com/tensorflow/community/blob/master/rfcs/20200107-tf-data-snapshot.md.

Пользователи могут задавать различные параметры для управления поведением snapshot, в том числе способом чтения и записи снимков, передавая пользовательские функции параметрам reader_func и shard_func.

shard_func — это заданная пользователем функция, которая сопоставляет входные элементы с фрагментами снимка.

Пользователи могут задавать эту функцию, чтобы управлять записью файлов снимков на диск. Ниже приведён пример возможной реализации 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 заданная пользователем функция с одним аргументом: (1) набором данных из наборов данных, каждый из которых представляет собой «раздел» элементов исходного набора данных. Кардинальность входного набора данных совпадает с количеством фрагментов, указанным в shard_func (см. выше). Функция должна возвращать набор данных из элементов исходного набора данных.

Пользователи могут задавать эту функцию, чтобы управлять чтением файлов снимков с диска, в том числе уровнем перемешивания и параллелизма.

Ниже приведён пример стандартной функции чтения, которую может определить пользователь. Эта функция обеспечивает перемешивание набора данных и параллельное чтение наборов 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 распараллеливает чтение по количеству ядер, доступных в системе, но не пытается перемешивать данные.

Аргументы
path Обязательный параметр. Каталог для хранения снимка и его загрузки.
compression Необязательный параметр. Тип сжатия для снимка, записываемого на диск. Поддерживаются варианты GZIP, SNAPPY, AUTO и 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 разделением данных на фрагменты при записи снимка.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

sparse_batch

Просмотреть исходный код

sparse_batch(
    batch_size, row_shape, name=None
) -> 'DatasetV2'

Объединяет последовательные элементы в объекты 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 состоит из трёх компонентов (indices, values и dense_shape), которые вместе образуют tf.sparse.SparseTensor, представляющий те же данные. row_shape задаёт плотную форму каждой строки результирующего tf.sparse.SparseTensor, к которой 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 Скалярный tf.int64 tf.Tensor, представляющий количество последовательных элементов этого набора данных, которые нужно объединить в один пакет.
row_shape Объект типа tf.TensorShape или векторный объект, подобный тензору tf.int64, представляющий эквивалентную плотную форму строки в результирующем tf.sparse.SparseTensor. Все элементы этого набора данных должны иметь тот же ранг, что и row_shape, и размер каждой размерности должен быть не больше row_shape.
name (Необязательно.) Строка с именем операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

take

Просмотреть исходный код

take(
    count, name=None
) -> 'DatasetV2'

Создаёт Dataset, содержащий не более count элементов этого набора данных.

dataset = tf.data.Dataset.range(10)
dataset = dataset.take(3)
list(dataset.as_numpy_iterator())
[0, 1, 2]
Аргументы
count Скалярный tf.int64 tf.Tensor, представляющий количество элементов этого набора данных, которые нужно взять для создания нового набора данных. Если count равно -1 или count больше размера этого набора данных, новый набор данных будет содержать все его элементы.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

take_while

Просмотреть исходный код

take_while(
    predicate, name=None
) -> 'DatasetV2'

Преобразование, прекращающее итерацию по набору 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, которая сопоставляет вложенную структуру тензоров (формы и типы которых определяются self.output_shapes и self.output_types) со скалярным тензором tf.bool.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

unbatch

Просмотреть исходный код

unbatch(
    name=None
) -> 'DatasetV2'

Разбивает элементы набора данных на несколько элементов.

Например, если форма элементов набора данных — [B, a0, a1, ...], где B может различаться для каждого входного элемента, то для каждого элемента набора данных набор данных после разделения на отдельные элементы 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: Для unbatch требуется копирование данных, чтобы разделить пакетный тензор на более мелкие тензоры без пакетирования. При оптимизации производительности старайтесь избегать ненужного использования unbatch.
Аргументы
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

unique

Просмотреть исходный код

unique(
    name=None
) -> 'DatasetV2'

Преобразование, удаляющее повторяющиеся элементы из Dataset.

Используйте это преобразование, чтобы создать набор данных, содержащий по одному экземпляру каждого уникального элемента входных данных. 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: Это преобразование поддерживает только наборы данных, помещающиеся в памяти и содержащие элементы типа tf.int32, tf.int64 или tf.string.
Аргументы
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

window

Просмотреть исходный код

window(
    size, shift=None, stride=1, drop_remainder=False, name=None
) -> 'DatasetV2'

Возвращает набор данных из «окон».

Каждое «окно» — это набор данных, содержащий подмножество элементов входного набора данных. Это конечные наборы данных размером size (или меньшим, если во входных данных недостаточно элементов для заполнения окна и drop_remainder принимает значение 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 являются наборами данных, по ним можно выполнять итерацию:

for window in dataset:
  print(list(window.as_numpy_iterator()))
[0, 1, 2]
[3, 4, 5]
[6]

Сдвиг

Аргумент shift определяет количество входных элементов, на которое смещается начало каждого окна. Если нумерация окон и элементов начинается с 0, первым элементом окна k будет элемент k * shift входного набора данных. В частности, первым элементом первого окна всегда будет первый элемент 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 входными элементами внутри 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

Если преобразование window применяется к набору данных, элементы которого представляют собой вложенные структуры, оно создаёт набор данных с той же вложенной структурой, но каждый лист заменяется окном. Иными словами, вложенность располагается вне окон, а не внутри них.

Сигнатура типа:

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 из 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]}

Преобразование набора данных из окон в плоский набор

Методы Dataset.flat_map и Dataset.interleave можно использовать для преобразования набора данных из окон в один набор данных.

Аргумент flat_map — это функция, которая принимает элемент набора данных и возвращает Dataset. flat_map последовательно объединяет полученные наборы данных.

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, объединяемых в окно. Должен быть положительным.
shift (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий количество входных элементов, на которое окно сдвигается при каждой итерации. По умолчанию — size. Должен быть положительным.
stride (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий шаг входных элементов в скользящем окне. Должен быть положительным. Значение по умолчанию 1 означает «сохранять каждый входной элемент».
drop_remainder (Необязательно.) Скалярный tf.bool tf.Tensor, определяющий, следует ли отбрасывать последние окна, если их размер меньше size.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

with_options

Просмотреть исходный код

with_options(
    options, name=None
) -> 'DatasetV2'

Возвращает новый tf.data.Dataset с указанными параметрами.

Эти параметры являются «глобальными» в том смысле, что они применяются ко всему набору данных. Если параметры задаются несколько раз, они объединяются, если только для разных параметров не указаны 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 Объект tf.data.Options, определяющий используемые параметры.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.
Возбуждает исключения
ValueError если для параметра несколько раз задано значение, отличное от значения по умолчанию

zip

Просмотреть исходный код

@staticmethod
zip(
    *args, datasets=None, name=None
) -> 'DatasetV2'

Создаёт Dataset, объединяя указанные наборы данных с помощью zip.

Семантика этого метода похожа на семантику встроенной функции Python zip(), но с главным отличием: аргумент datasets может быть (вложенной) структурой объектов Dataset. Поддерживаемые способы вложения 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 их вложенные структуры, которые нужно объединить с помощью zip. Этот аргумент нельзя задавать, если задан datasets.
datasets (Вложенная) структура наборов данных. Этот аргумент нельзя задавать, если задан *args. Обратите внимание: этот аргумент существует только для обратной совместимости; предпочтительно использовать *args.
name (Необязательно.) Имя операции tf.data.
Возвращает
Новый Dataset с применённым описанным выше преобразованием.

__bool__

Просмотреть исходный код

__bool__()

__iter__

Просмотреть исходный код

__iter__() -> iterator_ops.OwnedIterator

Создаёт итератор для элементов этого набора данных.

Возвращаемый итератор реализует протокол итератора Python.

Возвращает
tf.data.Iterator для элементов этого набора данных.
Возбуждает исключения
RuntimeError Если выполнение происходит вне tf.function и не в режиме eager.

__len__

Просмотреть исходный код

__len__()

Возвращает длину набора данных, если она известна и конечна.

Для этого метода необходимо, чтобы выполнялся код в режиме eager, а длина набора данных была известна и конечна. Если длина может быть неизвестной или бесконечной либо код выполняется в режиме графа, используйте вместо этого tf.data.Dataset.cardinality.

Возвращает
Целое число, представляющее длину набора данных.
Возбуждает исключения
RuntimeError Если длина набора данных неизвестна или бесконечна либо выполнение eager не включено.

__nonzero__

Просмотреть исходный код

__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/RandomDataset

Spec-Zone.ru

Настройки Оффлайн Что нового Помощь О нас
Spec-Zone .ru
спецификации, руководства, описания, API