tf.data.experimental.SqlDataset
Набор Dataset, состоящий из результатов выполнения SQL-запроса.
Наследуется от: Dataset
tf.data.experimental.SqlDataset(
driver_name, data_source_name, query, output_types
)
SqlDataset позволяет пользователю считывать данные из набора результатов SQL-запроса. Например:
dataset = tf.data.experimental.SqlDataset("sqlite", "/foo/bar.sqlite3",
"SELECT name, age FROM people",
(tf.string, tf.int32))
# Prints the rows of the result set of the above query.
for element in dataset:
print(element)
| Аргументы | |
|---|---|
driver_name | 0-мерный тензор tf.string с типом базы данных. В настоящее время поддерживается только 'sqlite'. |
data_source_name | 0-мерный тензор tf.string, содержащий строку подключения к базе данных. |
query | 0-мерный тензор tf.string, содержащий SQL-запрос для выполнения. |
output_types | Кортеж объектов tf.DType, представляющих типы столбцов, возвращаемых запросом query. |
| 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) Для получения дополнительной информации ознакомьтесь с этим руководством. |
Методы
apply
apply(
transformation_func
) -> 'DatasetV2'
Применяет функцию преобразования к этому набору данных.
apply позволяет объединить пользовательские Dataset преобразования, которые представляются функциями, принимающими один Dataset аргумент и возвращающими 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 Dataset аргумент и возвращающая Dataset. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
as_numpy_iterator
as_numpy_iterator()
Возвращает итератор, преобразующий все элементы набора данных в NumPy.
Используйте as_numpy_iterator для проверки содержимого вашего набора данных. Для просмотра форм и типов элементов печатайте элементы набора данных напрямую, а не используйте as_numpy_iterator.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) for element in dataset: print(element) tf.Tensor(1, shape=(), dtype=int32) tf.Tensor(2, shape=(), dtype=int32) tf.Tensor(3, shape=(), dtype=int32)
Этот метод требует, чтобы вы работали в режиме eager, и элемент набора данных содержал только TensorSpec компоненты.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) for element in dataset.as_numpy_iterator(): print(element) 1 2 3
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) print(list(dataset.as_numpy_iterator())) [1, 2, 3]
as_numpy_iterator() сохранит вложенную структуру элементов набора данных.
dataset = tf.data.Dataset.from_tensor_slices({'a': ([1, 2], [3, 4]),
'b': [5, 6]})
list(dataset.as_numpy_iterator()) == [{'a': (1, 3), 'b': 5},
{'a': (2, 4), 'b': 6}]
True| Возвращаемое значение | |
|---|---|
| Итерируемый объект над элементами набора данных, с тензорами, преобразованными в массивы NumPy. |
| Исключения | |
|---|---|
TypeError | если элемент содержит значение, отличное от Tensor. |
RuntimeError | если режим eager не включен. |
batch
batch(
batch_size,
drop_remainder=False,
num_parallel_calls=None,
deterministic=None,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в пакеты.
dataset = tf.data.Dataset.range(8) dataset = dataset.batch(3) list(dataset.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5]), array([6, 7])]
dataset = tf.data.Dataset.range(8) dataset = dataset.batch(3, drop_remainder=True) list(dataset.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5])]
Компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N нацело и drop_remainder равно False). Если ваша программа зависит от того, что у пакетов одинаковое внешнее измерение, вы должны установить аргумент drop_remainder в True, чтобы предотвратить создание меньшего пакета.
Примечание: Если ваша программа требует, чтобы данные имели статически известную форму (например, при использовании XLA), вы должны использоватьdrop_remainder=True. Безdrop_remainder=Trueформа выходного набора данных будет иметь неизвестное ведущее измерение из-за возможности создания меньшего конечного пакета.
| Аргументы | |
|---|---|
batch_size | Скалярный тензор tf.int64, представляющий количество последовательных элементов этого набора данных, объединяемых в один пакет. |
drop_remainder | (Необязательно.) Скалярный тензор tf.bool, представляющий, следует ли отбрасывать последний пакет в случае, если он содержит меньше элементов, чем batch_size; по умолчанию меньший пакет не отбрасывается. |
num_parallel_calls | (Необязательно.) Скалярный тензор tf.int64, представляющий количество пакетов, вычисляемых асинхронно параллельно. Если не указано, пакеты будут вычисляться последовательно. Если используется значение tf.data.AUTOTUNE, количество параллельных вызовов динамически настраивается в зависимости от доступных ресурсов. |
deterministic | (Необязательно.) Когда num_parallel_calls указан, если этот булевый параметр указан (True или False), он управляет порядком, в котором преобразование генерирует элементы. Если установлено в False, преобразование разрешено выводить элементы вне порядка, чтобы обменять детерминизм на производительность. Если не указан, поведение регулируется опцией tf.data.Options.deterministic (по умолчанию True). |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
bucket_by_sequence_length
bucket_by_sequence_length(
element_length_func,
bucket_boundaries,
bucket_batch_sizes,
padded_shapes=None,
padding_values=None,
pad_to_bucket_boundary=False,
no_padding=False,
drop_remainder=False,
name=None
) -> 'DatasetV2'
Преобразование, которое группирует элементы в Dataset по длине.
Элементы Dataset группируются по длине, а затем дополняются и объединяются в пакеты.
Это полезно для задач с последовательностями, в которых элементы имеют переменную длину. Группировка элементов с похожими длинами уменьшает общую долю заполнения в пакете, что повышает эффективность шага обучения.
Ниже приведен пример букетизации входных данных в 3 пакета "[0, 3), [3, 5), [5, inf)" на основе длины последовательности, с размером пакета 2.
elements = [
[0], [1, 2, 3, 4], [5, 6, 7],
[7, 8, 9, 10, 11], [13, 14, 15, 16, 19, 20], [21, 22]]
dataset = tf.data.Dataset.from_generator(
lambda: elements, tf.int64, output_shapes=[None])
dataset = dataset.bucket_by_sequence_length(
element_length_func=lambda elem: tf.shape(elem)[0],
bucket_boundaries=[3, 5],
bucket_batch_sizes=[2, 2, 2])
for elem in dataset.as_numpy_iterator():
print(elem)
[[1 2 3 4]
[5 6 7 0]]
[[ 7 8 9 10 11 0]
[13 14 15 16 19 20]]
[[ 0 0]
[21 22]]| Аргументы | |
|---|---|
element_length_func | функция, преобразующая элемент в Dataset в tf.int32, определяющая длину элемента, которая определяет пакет, в который он попадает. |
bucket_boundaries | list<int>, верхние границы длин пакетов. |
bucket_batch_sizes | list<int>, размер пакета в каждом пакете. Длина должна быть len(bucket_boundaries) + 1. |
padded_shapes | Вложенная структура tf.TensorShape для передачи в tf.data.Dataset.padded_batch. Если не указано, будет использоваться dataset.output_shapes, что приведет к дополнению измерений переменной длины до максимальной длины в каждом пакете. |
padding_values | Значения для заполнения, передаваемые в tf.data.Dataset.padded_batch. По умолчанию заполнение производится нулями. |
pad_to_bucket_boundary | bool, если False, будет дополнено измерения с неизвестным размером до максимальной длины в пакете. Если True, будет дополнено измерения с неизвестным размером до границы пакета минус 1 (т. е. до максимальной длины в каждом пакете), и вызывающий код должен убедиться, что исходный Dataset не содержит элементов с длиной, превышающей max(bucket_boundaries). |
no_padding | bool, указывает, нужно ли дополнять пакетные признаки (признаки должны быть типа tf.sparse.SparseTensor или иметь одинаковую форму). |
drop_remainder | (Необязательно.) Скалярный tf.bool tf.Tensor, представляющий, должен ли быть пропущен последний пакет в случае, если он содержит меньше, чем batch_size элементов; поведение по умолчанию — не пропускать меньшие пакеты. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
ValueError | если len(bucket_batch_sizes) != len(bucket_boundaries) + 1. |
cache
cache(
filename='', name=None
) -> 'DatasetV2'
Кэширует элементы в этом наборе данных.
В первый раз при итерации по набору данных его элементы будут кэшированы либо в указанном файле, либо в оперативной памяти. При последующих итерациях будут использованы кэшированные данные.
Примечание: Чтобы гарантировать завершение кэширования, набор данных должен быть полностью обработан, до момента возникновения исключения StopIteration. В противном случае при последующих итерациях данные из кэша 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 кэшированные данные будут сохраняться между запусками. Даже первая итерация по данным будет читать данные из кэшированного файла. Изменение входной цепочки данных до вызова .cache() не будет иметь эффекта до тех пор, пока файл кэша не будет удалён или имя файла не будет изменено.
dataset = tf.data.Dataset.range(5)
dataset = dataset.cache("/path/to/file")
list(dataset.as_numpy_iterator())
# [0, 1, 2, 3, 4]
dataset = tf.data.Dataset.range(10)
dataset = dataset.cache("/path/to/file") # Same file!
list(dataset.as_numpy_iterator())
# [0, 1, 2, 3, 4]
Примечание:cacheбудет производить точно такие же элементы во время каждой итерации по набору данных. Если вам нужно случайное порядок итерации, убедитесь, что вы вызываетеshuffleпосле вызоваcache.
| Аргументы | |
|---|---|
filename | Скалярный tf.string tf.Tensor, представляющий имя каталога на файловой системе для кэширования элементов в этом наборе данных. Если имя файла не указано, набор данных будет кэширован в оперативной памяти. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
cardinality
cardinality()
Возвращает мощность набора данных, если она известна.
cardinality может вернуть tf.data.INFINITE_CARDINALITY, если набор данных содержит бесконечное число элементов, или tf.data.UNKNOWN_CARDINALITY, если анализ не смог определить количество элементов в наборе данных (например, когда источником набора данных является файл).
dataset = tf.data.Dataset.range(42) print(dataset.cardinality().numpy()) 42 dataset = dataset.repeat() cardinality = dataset.cardinality() print((cardinality == tf.data.INFINITE_CARDINALITY).numpy()) True dataset = dataset.filter(lambda x: True) cardinality = dataset.cardinality() print((cardinality == tf.data.UNKNOWN_CARDINALITY).numpy()) True
| Возвращаемые значения | |
|---|---|
Скалярное tf.int64 Tensor, представляющее мощность набора данных. Если мощность бесконечна или неизвестна, cardinality возвращает именованные константы tf.data.INFINITE_CARDINALITY и tf.data.UNKNOWN_CARDINALITY соответственно. |
choose_from_datasets
@staticmethod
choose_from_datasets(
datasets, choice_dataset, stop_on_empty_dataset=True
) -> 'DatasetV2'
Создаёт набор данных, который детерминированно выбирает элементы из datasets.
Например, с учётом 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)
Элементы result будут:
"foo", "bar", "baz", "foo", "bar", "baz", "foo", "bar", "baz"
| Аргументы | |
|---|---|
datasets | Непустой список объектов tf.data.Dataset с совместимой структурой. |
choice_dataset | tf.data.Dataset скалярных тензоров tf.int64 между 0 и len(datasets) - 1. |
stop_on_empty_dataset | Если True, выбор останавливается, если встречается пустой набор данных. Если False, он пропускает пустые наборы данных. Рекомендуется установить его в значение True. В противном случае выбранные элементы начинают отображаться так, как предполагает пользователь, но могут измениться по мере того, как входные наборы данных становятся пустыми. Это может быть трудно обнаружить, так как набор данных сначала выглядит правильно. По умолчанию установлено значение True. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
TypeError | Если datasets или choice_dataset имеет неправильный тип. |
ValueError | Если datasets пуст. |
concatenate
concatenate(
dataset, name=None
) -> 'DatasetV2'
Создаёт набор данных путём конкатенации данного набора данных с указанным набором данных.
a = tf.data.Dataset.range(1, 4) # ==> [ 1, 2, 3 ] b = tf.data.Dataset.range(4, 8) # ==> [ 4, 5, 6, 7 ] ds = a.concatenate(b) list(ds.as_numpy_iterator()) [1, 2, 3, 4, 5, 6, 7] # The input dataset and dataset to be concatenated should have # compatible element specs. c = tf.data.Dataset.zip((a, b)) a.concatenate(c) Traceback (most recent call last): TypeError: Two datasets to concatenate have different types <dtype: 'int64'> and (tf.int64, tf.int64) d = tf.data.Dataset.from_tensor_slices(["a", "b", "c"]) a.concatenate(d) Traceback (most recent call last): TypeError: Two datasets to concatenate have different types <dtype: 'int64'> and <dtype: 'string'>
| Аргументы | |
|---|---|
dataset | Dataset для конкатенации. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
counter
@staticmethod
counter(
start=0,
step=1,
dtype=tf.dtypes.int64,
name=None
) -> 'DatasetV2'
Создаёт набор данных, считающий от start с шагом step.
В отличие от tf.data.Dataset.range, который останавливается на определённом конечном числе, tf.data.Dataset.counter генерирует 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 счётчика. По умолчанию 0. |
step | (Необязательно.) Шаг счётчика. По умолчанию 1. |
dtype | (Необязательно.) Тип данных элементов счётчика. По умолчанию tf.int64. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
A Dataset скалярных элементов dtype. |
enumerate
enumerate(
start=0, name=None
) -> 'DatasetV2'
Перечисляет элементы этого набора данных.
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 | Скалярный tf.int64 tf.Tensor, представляющий начальное значение для нумерации. |
name | Необязательно. Имя операций tf.data, используемых методом enumerate. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
filter
filter(
predicate, name=None
) -> 'DatasetV2'
Фильтрует этот набор данных в соответствии с predicate.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset = dataset.filter(lambda x: x < 3) list(dataset.as_numpy_iterator()) [1, 2] # `tf.math.equal(x, y)` is required for equality comparison def filter_fn(x): return tf.math.equal(x, 1) dataset = dataset.filter(filter_fn) list(dataset.as_numpy_iterator()) [1]
| Аргументы | |
|---|---|
predicate | Функция, сопоставляющая элемент набора данных с булевым значением. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
fingerprint
fingerprint()
Вычисляет отпечаток пальца этого Dataset.
Если у двух наборов данных одинаковый отпечаток, гарантируется, что они будут производить идентичные элементы, при условии, что содержимое входных файлов не изменилось, и данные генерируются детерминированно.
Однако два набора данных, производящие одинаковые значения, не всегда означают, что у них одинаковый отпечаток из-за различных конструкций графов.
Другими словами, если у двух наборов данных разные отпечатки, они всё ещё могут генерировать одинаковые значения.
| Возвращаемое значение | |
|---|---|
Скалярный tf.Tensor типа tf.uint64. |
flat_map
flat_map(
map_func, name=None
) -> 'DatasetV2'
Применяет map_func к этому набору данных и уплощает результат.
Подпись типа:
def flat_map( self: Dataset[T], map_func: Callable[[T], Dataset[S]] ) -> Dataset[S]
Используйте flat_map, если хотите убедиться, что порядок вашего набора данных сохраняется. Например, чтобы уплостить набор данных партий в набор данных их элементов:
dataset = tf.data.Dataset.from_tensor_slices(
[[1, 2, 3], [4, 5, 6], [7, 8, 9]])
dataset = dataset.flat_map(tf.data.Dataset.from_tensor_slices)
list(dataset.as_numpy_iterator())
[1, 2, 3, 4, 5, 6, 7, 8, 9]tf.data.Dataset.interleave() — обобщение flat_map, так как flat_map производит такой же результат, как tf.data.Dataset.interleave(cycle_length=1)
| Аргументы | |
|---|---|
map_func | Функция, сопоставляющая элемент набора данных с набором данных. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
from_generator
@staticmethod
from_generator(
generator,
output_types=None,
output_shapes=None,
args=None,
output_signature=None,
name=None
) -> 'DatasetV2'
Создаёт набор данных, элементы которого генерируются generator. (аргументы устарели)
Примечание: Текущая реализацияDataset.from_generator()используетtf.numpy_functionи имеет те же ограничения. В частности, она требует, чтобы операции, связанные с набором данных и итератором, были размещены на устройстве в том же процессе, что и Python-программа, вызывающаяDataset.from_generator(). В частности, использованиеfrom_generatorпомешает использовать tf.data service для масштабирования обработки наборов данных. Телоgeneratorне будет сериализовано вGraphDef, и вам не следует использовать этот метод, если вам нужно сериализовать вашу модель и восстановить её в другой среде.
Аргумент generator должен быть вызываемым объектом, который возвращает объект, поддерживающий протокол iter() (например, функцию-генератор).
Элементы, генерируемые generator, должны быть совместимы с заданным аргументом output_signature или с аргументами output_types и (необязательно) output_shapes, в зависимости от того, какой из них был указан.
Рекомендуемый способ вызова from_generator — использование аргумента output_signature. В этом случае вывод будет предполагаться состоящим из объектов с классами, формами и типами, определёнными объектами tf.TypeSpec из аргумента output_signature:
def gen():
ragged_tensor = tf.ragged.constant([[1, 2], [3]])
yield 42, ragged_tensor
dataset = tf.data.Dataset.from_generator(
gen,
output_signature=(
tf.TensorSpec(shape=(), dtype=tf.int32),
tf.RaggedTensorSpec(shape=(2, None), dtype=tf.int32)))
list(dataset.take(1))
[(<tf.Tensor: shape=(), dtype=int32, numpy=42>,
<tf.RaggedTensor [[1, 2], [3]]>)]Также существует устаревший способ вызова from_generator, либо с аргументом output_types в одиночку, либо вместе с аргументом output_shapes. В этом случае вывод функции будет предполагаться состоящим из объектов tf.Tensor с типами, определёнными в output_types, и с формами, которые могут быть неизвестными или определёнными в output_shapes.
Примечание: Еслиgeneratorзависит от изменяемых глобальных переменных или другого внешнего состояния, имейте в виду, что среда выполнения может вызыватьgeneratorнесколько раз (чтобы поддержать повторениеDataset) и в любое время между вызовомDataset.from_generator()и производством первого элемента генератора. Изменение глобальных переменных или внешнего состояния может привести к неопределённому поведению, и мы рекомендуем явным образом кэшировать любое внешнее состояние вgeneratorперед вызовомDataset.from_generator().
Примечание: Хотя параметрoutput_signatureпозволяет генерироватьDatasetэлементы, область примененияDataset.from_generator()должна быть ограничена логикой, которую нельзя выразить через операции tf.data. Использование операций tf.data внутри функции-генератора является антипаттерном и может привести к нарастанию 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 в args. |
output_types | (Необязательно.) (Вложенная) структура объектов tf.DType, соответствующая каждому компоненту элемента, возвращаемого generator. |
output_shapes | (Необязательно.) (Вложенная) структура объектов tf.TensorShape, соответствующая каждому компоненту элемента, возвращаемого generator. |
args | (Необязательно.) Кортеж объектов tf.Tensor, которые будут вычислены и переданы generator в качестве аргументов NumPy-массивов. |
output_signature | (Необязательно.) (Вложенная) структура объектов tf.TypeSpec, соответствующая каждому компоненту элемента, возвращаемого generator. |
name | (Необязательно.) Имя операций tf.data, используемых методом from_generator. |
| Возвращаемое значение | |
|---|---|
Dataset | A Dataset. |
from_tensor_slices
@staticmethod
from_tensor_slices(
tensors, name=None
) -> 'DatasetV2'
Создаёт Dataset, элементы которого являются слайсами заданных тензоров.
Заданные тензоры нарезаются вдоль своего первого измерения. Данная операция сохраняет структуру входных тензоров, удаляя первое измерение каждого тензора и используя его как измерение набора данных. Все входные тензоры должны иметь одинаковый размер в своих первых измерениях.
# Slicing a 1D tensor produces scalar tensor elements. dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) list(dataset.as_numpy_iterator()) [1, 2, 3]
# Slicing a 2D tensor produces 1D tensor elements. dataset = tf.data.Dataset.from_tensor_slices([[1, 2], [3, 4]]) list(dataset.as_numpy_iterator()) [array([1, 2], dtype=int32), array([3, 4], dtype=int32)]
# Slicing a tuple of 1D tensors produces tuple elements containing # scalar tensors. dataset = tf.data.Dataset.from_tensor_slices(([1, 2], [3, 4], [5, 6])) list(dataset.as_numpy_iterator()) [(1, 3, 5), (2, 4, 6)]
# Dictionary structure is also preserved.
dataset = tf.data.Dataset.from_tensor_slices({"a": [1, 2], "b": [3, 4]})
list(dataset.as_numpy_iterator()) == [{'a': 1, 'b': 3},
{'a': 2, 'b': 4}]
True# Two tensors can be combined into one Dataset object.
features = tf.constant([[1, 3], [2, 1], [3, 3]]) # ==> 3x2 tensor
labels = tf.constant(['A', 'B', 'A']) # ==> 3x1 tensor
dataset = Dataset.from_tensor_slices((features, labels))
# Both the features and the labels tensors can be converted
# to a Dataset object separately and combined after.
features_dataset = Dataset.from_tensor_slices(features)
labels_dataset = Dataset.from_tensor_slices(labels)
dataset = Dataset.zip((features_dataset, labels_dataset))
# A batched feature and label set can be converted to a Dataset
# in similar fashion.
batched_features = tf.constant([[[1, 3], [2, 3]],
[[2, 1], [1, 2]],
[[3, 3], [3, 2]]], shape=(3, 2, 2))
batched_labels = tf.constant([['A', 'A'],
['B', 'B'],
['A', 'B']], shape=(3, 2, 1))
dataset = Dataset.from_tensor_slices((batched_features, batched_labels))
for element in dataset.as_numpy_iterator():
print(element)
(array([[1, 3],
[2, 3]], dtype=int32), array([[b'A'],
[b'A']], dtype=object))
(array([[2, 1],
[1, 2]], dtype=int32), array([[b'B'],
[b'B']], dtype=object))
(array([[3, 3],
[3, 2]], dtype=int32), array([[b'A'],
[b'B']], dtype=object))Обратите внимание, что если tensors содержит массив NumPy, а режим выполнения Eager не включён, значения будут встроены в граф как одна или несколько операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к неэффективному использованию памяти и проблемам с ограничениями размера графа при сериализации. Если tensors содержит один или несколько больших массивов NumPy, рассмотрите альтернативный подход, 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 | Dataset. |
from_tensors
@staticmethod
from_tensors(
tensors, name=None
) -> 'DatasetV2'
Создаёт Dataset с одним элементом, содержащим заданные тензоры.
from_tensors создаёт набор данных, содержащий только один элемент. Для нарезки входного тензора на несколько элементов используйте from_tensor_slices.
dataset = tf.data.Dataset.from_tensors([1, 2, 3]) list(dataset.as_numpy_iterator()) [array([1, 2, 3], dtype=int32)] dataset = tf.data.Dataset.from_tensors(([1, 2, 3], 'A')) list(dataset.as_numpy_iterator()) [(array([1, 2, 3], dtype=int32), b'A')]
# You can use `from_tensors` to produce a dataset which repeats # the same example many times. example = tf.constant([1,2,3]) dataset = tf.data.Dataset.from_tensors(example).repeat(2) list(dataset.as_numpy_iterator()) [array([1, 2, 3], dtype=int32), array([1, 2, 3], dtype=int32)]
Обратите внимание, что если tensors содержит массив NumPy, а режим выполнения Eager не включён, значения будут встроены в граф как одна или несколько операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к неэффективному использованию памяти и проблемам с ограничениями размера графа при сериализации. Если tensors содержит один или несколько больших массивов NumPy, рассмотрите альтернативный подход, описанный в этом руководстве.
| Аргументы | |
|---|---|
tensors | Элемент набора данных. Поддерживаемые значения описаны здесь. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Dataset | Dataset. |
get_single_element
get_single_element(
name=None
)
Возвращает единственный элемент dataset.
Функция позволяет использовать tf.data.Dataset в бессостоятельном выражении «тензор-в-тензор», без создания итератора. Это облегчает преобразование данных в тензорах с использованием оптимизированной абстракции tf.data.Dataset над ними.
Например, рассмотрим preprocessing_fn, который принимает исходные признаки и возвращает обработанные признаки вместе с меткой.
def preprocessing_fn(raw_feature):
# ... the raw_feature is preprocessed as per the use-case
return feature
raw_features = ... # input batch of BATCH_SIZE elements.
dataset = (tf.data.Dataset.from_tensor_slices(raw_features)
.map(preprocessing_fn, num_parallel_calls=BATCH_SIZE)
.batch(BATCH_SIZE))
processed_features = dataset.get_single_element()
В примере тензор raw_features длиной BATCH_SIZE был преобразован в tf.data.Dataset. Затем каждый из raw_feature был обработан с помощью preprocessing_fn, а обработанные признаки были объединены в одну партию. Конечный dataset содержит только один элемент, представляющий партию всех обработанных признаков.
Примечание: dataset должен содержать только один элемент.
Теперь, вместо создания итератора для dataset и извлечения партии признаков, используется функция tf.data.get_single_element(), чтобы обойти процесс создания итератора и напрямую получить партию признаков.
Это особенно полезно, когда преобразования тензоров выражаются как операции tf.data.Dataset, и вы хотите использовать эти преобразования 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, соответствующих единственному элементу dataset. |
| Возможные исключения | |
|---|---|
InvalidArgumentError | (во время выполнения) если dataset не содержит ровно один элемент. |
group_by_window
group_by_window(
key_func, reduce_func, window_size=None, window_size_func=None, name=None
) -> 'DatasetV2'
Группирует окна элементов по ключу и сводит их.
Это преобразование сопоставляет каждый последовательный элемент в наборе данных с ключом, используя key_func, и группирует элементы по ключу. Затем оно применяет reduce_func к не более чем window_size_func(key) элементам, соответствующим одному ключу. Все, кроме последнего окна для каждого ключа, будут содержать window_size_func(key) элементов; последнее окно может быть меньше.
Вы можете указать либо константу window_size, либо размер окна, определяемый ключом через window_size_func.
dataset = tf.data.Dataset.range(10)
window_size = 5
key_func = lambda x: x%2
reduce_func = lambda key, dataset: dataset.batch(window_size)
dataset = dataset.group_by_window(
key_func=key_func,
reduce_func=reduce_func,
window_size=window_size)
for elem in dataset.as_numpy_iterator():
print(elem)
[0 2 4 6 8]
[1 3 5 7 9]| Аргументы | |
|---|---|
key_func | Функция, сопоставляющая вложенную структуру тензоров (с формами и типами, определёнными self.output_shapes и self.output_types) со скалярным тензором tf.int64. |
reduce_func | Функция, сопоставляющая ключ и набор данных до window_size последовательных элементов, соответствующих этому ключу, с другим набором данных. |
window_size | Скалярный tf.Tensor типа tf.int64, представляющий количество последовательных элементов, соответствующих одному ключу, для объединения в одну партию, которое будет передано в reduce_func. Взаимоисключающее с window_size_func. |
window_size_func | Функция, сопоставляющая ключ со скалярным tf.Tensor типа tf.int64, представляющий количество последовательных элементов, соответствующих одному ключу, для объединения в одну партию, которое будет передано в reduce_func. Взаимоисключающее с window_size. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Возможные исключения | |
|---|---|
ValueError | если ни один, ни оба из {window_size, window_size_func} не переданы. |
ignore_errors
ignore_errors(
log_warning=False, name=None
) -> 'DatasetV2'
Отбрасывает элементы, которые вызывают ошибки.
dataset = tf.data.Dataset.from_tensor_slices([1., 2., 0., 4.]) dataset = dataset.map(lambda x: tf.debugging.check_numerics(1. / x, "")) list(dataset.as_numpy_iterator()) Traceback (most recent call last): InvalidArgumentError: ... Tensor had Inf values dataset = dataset.ignore_errors() list(dataset.as_numpy_iterator()) [1.0, 0.5, 0.25]
| Аргументы | |
|---|---|
log_warning | (Необязательно.) Флаг, указывающий, должны ли игнорируемые ошибки записываться в stderr. По умолчанию False. |
name | (Необязательно.) Строка, обозначающая имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
interleave
interleave(
map_func,
cycle_length=None,
block_length=None,
num_parallel_calls=None,
deterministic=None,
name=None
) -> 'DatasetV2'
Применяет map_func к этому набору данных и чередует результаты.
Подпись типа:
def interleave( self: Dataset[T], map_func: Callable[[T], Dataset[S]] ) -> Dataset[S]
Например, можно использовать Dataset.interleave() для одновременной обработки нескольких входных файлов:
# Preprocess 4 files concurrently, and interleave blocks of 16 records
# from each file.
filenames = ["/var/data/file1.txt", "/var/data/file2.txt",
"/var/data/file3.txt", "/var/data/file4.txt"]
dataset = tf.data.Dataset.from_tensor_slices(filenames)
def parse_fn(filename):
return tf.data.Dataset.range(10)
dataset = dataset.interleave(lambda x:
tf.data.TextLineDataset(x).map(parse_fn, num_parallel_calls=1),
cycle_length=4, block_length=16)Аргументы cycle_length и block_length управляют порядком, в котором производятся элементы. cycle_length управляет количеством входных элементов, которые обрабатываются одновременно. Если вы установите cycle_length в 1, эта трансформация будет обрабатывать по одному входному элементу за раз, и даст идентичные результаты tf.data.Dataset.flat_map. В общем, эта трансформация применит map_func к cycle_length входным элементам, откроет итераторы на возвращённых Dataset объектах, и циклически пройдёт по ним, производя block_length последовательных элементов из каждого итератора, и потребляя следующий входной элемент каждый раз, когда достигает конца итератора.
Например:
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ]
# NOTE: New lines indicate "block" boundaries.
dataset = dataset.interleave(
lambda x: Dataset.from_tensors(x).repeat(6),
cycle_length=2, block_length=4)
list(dataset.as_numpy_iterator())
[1, 1, 1, 1,
2, 2, 2, 2,
1, 1,
2, 2,
3, 3, 3, 3,
4, 4, 4, 4,
3, 3,
4, 4,
5, 5, 5, 5,
5, 5]Примечание: Порядок элементов, выдаваемых этой трансформацией, является детерминированным, при условии, чтоmap_funcявляется чистой функцией иdeterministic=True. Еслиmap_funcсодержит какие-либо операции со состоянием, порядок, в котором это состояние будет обработано, не определён.
Производительность часто можно улучшить, установив num_parallel_calls, чтобы interleave использовала несколько потоков для получения элементов. Если детерминизм не требуется, производительность также может быть улучшена путём установки 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, которая принимает элемент набора данных и возвращает tf.data.Dataset. |
cycle_length | (Необязательно.) Количество входных элементов, которые будут обрабатываться одновременно. Если не указано, среда выполнения tf.data решает, что это должно быть, исходя из доступных ЦП. Если num_parallel_calls установлено в tf.data.AUTOTUNE, аргумент cycle_length определяет максимальную степень параллелизма. |
block_length | (Необязательно.) Количество последовательных элементов, которые должны быть сгенерированы из каждого входного элемента перед переключением на другой входной элемент. Если не указано, по умолчанию равно 1. |
num_parallel_calls | (Необязательно.) Если указано, реализация создаёт пул потоков, который используется для асинхронного и параллельного получения входных данных из циклических элементов. По умолчанию входные данные из циклических элементов получаются синхронно без параллелизма. Если используется значение tf.data.AUTOTUNE, то количество параллельных вызовов динамически устанавливается в зависимости от доступных ЦП. |
deterministic | (Необязательно.) Когда num_parallel_calls указано, если этот булевый параметр указан (True или False), он контролирует порядок, в котором трансформация генерирует элементы. Если установлено в False, трансформации разрешено генерировать элементы вне порядка, чтобы обменять детерминизм на производительность. Если не указано, опция tf.data.Options.deterministic (True по умолчанию) определяет поведение. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с применённой трансформацией, как описано выше. |
list_files
@staticmethod
list_files(
file_pattern, shuffle=None, seed=None, name=None
) -> 'DatasetV2'
Набор данных всех файлов, соответствующих одному или нескольким шаблонам glob.
Аргумент file_pattern должен содержать небольшое количество шаблонов glob. Если имена файлов уже были обработаны glob, используйте Dataset.from_tensor_slices(filenames) вместо этого, так как повторное применение list_files к каждому имени файла может привести к плохой производительности с удалёнными системами хранения.
Примечание: По умолчанию этот метод возвращает имена файлов в не детерминированном, случайном, перемешанном порядке. Передайтеseedилиshuffle=False, чтобы получить результаты в определённом порядке.
| Пример | |
|---|---|
Если у нас на файловой системе есть следующие файлы:
Если мы передадим "/path/to/dir/*.py" в качестве директории, набор данных будет производить:
|
| Аргументы | |
|---|---|
file_pattern | Строка, список строк или tf.Tensor типа строка (скаляр или вектор), представляющие шаблон(ы) имени файла glob (т.е. символ подстановки оболочки), которые будут сопоставляться. |
shuffle | (Необязательно.) Если True, имена файлов будут случайно перемешаны. По умолчанию True. |
seed | (Необязательно.) Скалярное tf.int64 tf.Tensor, представляющее случайное семя, которое будет использоваться для создания распределения. См. tf.random.set_seed для поведения. |
name | Необязательно. Имя для операций tf.data, используемых list_files. |
| Возвращаемые значения | |
|---|---|
Dataset | Набор данных строк, соответствующих именам файлов. |
load
@staticmethod
load(
path, element_spec=None, compression=None, reader_func=None
) -> 'DatasetV2'
Загружает ранее сохранённый набор данных.
Пример использования:
import tempfile path = os.path.join(tempfile.gettempdir(), "saved_data") # Save a dataset dataset = tf.data.Dataset.range(2) tf.data.Dataset.save(dataset, path) new_dataset = tf.data.Dataset.load(path) for elem in new_dataset: print(elem) tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64)
Если использовался параметр по умолчанию для фрагментации сохранённого набора данных, порядок элементов сохранённого набора данных сохранится при его загрузке.
Аргумент reader_func может быть использован для указания пользовательского порядка, в котором элементы должны загружаться из отдельных фрагментов. reader_func ожидается, что он примет один аргумент — набор данных наборов данных, каждый из которых содержит элементы одного из фрагментов, — и вернёт набор данных элементов. Например, порядок фрагментов можно перетасовать при их загрузке следующим образом:
def custom_reader_func(datasets):
datasets = datasets.shuffle(NUM_SHARDS)
return datasets.interleave(lambda x: x, num_parallel_calls=AUTOTUNE)
dataset = tf.data.Dataset.load(
path="/path/to/data", ..., reader_func=custom_reader_func)
| Аргументы | |
|---|---|
path | Требуется. Путь к ранее сохранённому набору данных. |
element_spec | Необязательно. Вложенная структура объектов tf.TypeSpec, соответствующая структуре элемента сохранённого набора данных и определяющая тип отдельных компонентов элемента. Если не указано, используется вложенная структура tf.TypeSpec, сохранённая с набором данных. Обратите внимание, что этот аргумент необходим в режиме графа. |
compression | Необязательно. Алгоритм для декомпрессии данных при чтении. Поддерживаемые варианты — GZIP и NONE. По умолчанию NONE. |
reader_func | Необязательно. Функция для управления способом чтения данных из фрагментов. Если присутствует, функция будет отслеживаться и выполняться как вычисление графа. |
| Возвращаемые значения | |
|---|---|
Экземпляр tf.data.Dataset. |
| Исключения | |
|---|---|
FileNotFoundError | Если element_spec не указан и вложенная структура tf.TypeSpec не может быть найдена в сохранённом наборе данных. |
ValueError | Если element_spec не указан и метод выполняется в режиме графа. |
map
map(
map_func, num_parallel_calls=None, deterministic=None, name=None
)
Применяет map_func к элементам этого набора данных.
Эта трансформация применяет map_func к каждому элементу этого набора данных и возвращает новый набор данных, содержащий преобразованные элементы в том же порядке, в котором они появились во входном наборе данных. map_func может быть использован для изменения как значений, так и структуры элементов набора данных. Поддерживаемые структуры элементов документированы здесь.
Например, map может использоваться для добавления 1 к каждому элементу или для проектирования подмножества компонентов элемента.
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ] dataset = dataset.map(lambda x: x + 1) list(dataset.as_numpy_iterator()) [2, 3, 4, 5, 6]
Входная сигнатура map_func определяется структурой каждого элемента в этом наборе данных.
dataset = Dataset.range(5) # `map_func` takes a single argument of type `tf.Tensor` with the same # shape and dtype. result = dataset.map(lambda x: x + 1)
# Each element is a tuple containing two `tf.Tensor` objects.
elements = [(1, "foo"), (2, "bar"), (3, "baz")]
dataset = tf.data.Dataset.from_generator(
lambda: elements, (tf.int32, tf.string))
# `map_func` takes two arguments of type `tf.Tensor`. This function
# projects out just the first component.
result = dataset.map(lambda x_int, y_str: x_int)
list(result.as_numpy_iterator())
[1, 2, 3]# Each element is a dictionary mapping strings to `tf.Tensor` objects.
elements = ([{"a": 1, "b": "foo"},
{"a": 2, "b": "bar"},
{"a": 3, "b": "baz"}])
dataset = tf.data.Dataset.from_generator(
lambda: elements, {"a": tf.int32, "b": tf.string})
# `map_func` takes a single argument of type `dict` with the same keys
# as the elements.
result = dataset.map(lambda d: str(d["a"]) + d["b"])Значение или значения, возвращаемые map_func, определяют структуру каждого элемента в возвращаемом наборе данных.
dataset = tf.data.Dataset.range(3) # `map_func` returns two `tf.Tensor` objects. def g(x): return tf.constant(37.0), tf.constant(["Foo", "Bar", "Baz"]) result = dataset.map(g) result.element_spec (TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(3,), dtype=tf.string, name=None)) # Python primitives, lists, and NumPy arrays are implicitly converted to # `tf.Tensor`. def h(x): return 37.0, ["Foo", "Bar"], np.array([1.0, 2.0], dtype=np.float64) result = dataset.map(h) result.element_spec (TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.string, name=None), TensorSpec(shape=(2,), dtype=tf.float64, name=None)) # `map_func` can return nested structures. def i(x): return (37.0, [42, 16]), "foo" result = dataset.map(i) result.element_spec ((TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.int32, name=None)), TensorSpec(shape=(), dtype=tf.string, name=None))
map_func может принимать в качестве аргументов и возвращать любые типы элементов набора данных.
Обратите внимание, что независимо от контекста, в котором определяется map_func (жадный или график), tf.data отслеживает функцию и выполняет её как вычисление графа. Для использования Python-кода внутри функции у вас есть несколько вариантов:
1) Используйте AutoGraph для преобразования Python-кода в эквивалентное вычисление графа. Недостатком этого подхода является то, что AutoGraph может преобразовать некоторые, но не все фрагменты Python-кода.
2) Используйте tf.py_function, что позволяет писать произвольный Python-код, но, как правило, приводит к худшей производительности, 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) Используйте tf.numpy_function, что также позволяет вам писать произвольный код Python. Обратите внимание, что tf.py_function принимает tf.Tensor, тогда как tf.numpy_function принимает массивы NumPy и возвращает только массивы NumPy. Например:
d = tf.data.Dataset.from_tensor_slices(['hello', 'world'])
def upper_case_fn(t: np.ndarray):
return t.decode('utf-8').upper()
d = d.map(lambda x: tf.numpy_function(func=upper_case_fn,
inp=[x], Tout=tf.string))
list(d.as_numpy_iterator())
[b'HELLO', b'WORLD']Обратите внимание, что использование tf.numpy_function и tf.py_function в целом исключает возможность выполнения пользовательских преобразований параллельно (из-за блокировки интерпретатора Python).
Производительность часто можно улучшить, установив num_parallel_calls, чтобы map использовало несколько потоков для обработки элементов. Если порядок не требуется, производительность также можно улучшить, установив deterministic=False.
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ]
dataset = dataset.map(lambda x: x + 1,
num_parallel_calls=tf.data.AUTOTUNE,
deterministic=False)Порядок элементов, возвращаемых этим преобразованием, является детерминированным, если deterministic=True. Если map_func содержит операции с состоянием и num_parallel_calls > 1, порядок доступа к этому состоянию не определен, поэтому значения выходных элементов могут не быть детерминированными независимо от значения флага deterministic.
| Аргументы | |
|---|---|
map_func | Функция, отображающая элемент набора данных на другой элемент набора данных. |
num_parallel_calls | (Необязательно.) Скалярный tf.int64 tf.Tensor, представляющий количество элементов для асинхронной обработки в параллели. Если не указано, элементы будут обрабатываться последовательно. Если используется значение tf.data.AUTOTUNE, то количество параллельных вызовов устанавливается динамически на основе доступных процессоров ЦП. |
deterministic | (Необязательно.) Когда num_parallel_calls указано, если этот булевый параметр указан (True или False), он управляет порядком, в котором преобразование производит элементы. Если установлено значение False, преобразованию разрешается генерировать элементы вне очереди, чтобы поменять детерминированность на производительность. Если не указано, опция tf.data.Options.deterministic (True по умолчанию) управляет поведением. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
options
options()
Возвращает параметры этого набора данных и его входных данных.
| Возвращаемые значения | |
|---|---|
Объект tf.data.Options, представляющий параметры набора данных. |
padded_batch
padded_batch(
batch_size,
padded_shapes=None,
padding_values=None,
drop_remainder=False,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в упакованные пакеты.
Это преобразование объединяет несколько последовательных элементов входного набора данных в один элемент.
Подобно tf.data.Dataset.batch, компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N равномерно и drop_remainder равно False). Если ваша программа зависит от того, что пакеты имеют одинаковое внешнее измерение, вы должны установить аргумент drop_remainder в True, чтобы предотвратить создание более маленького пакета.
В отличие от tf.data.Dataset.batch, входные элементы для объединения в пакеты могут иметь разные формы, и это преобразование заполнит каждый компонент до соответствующей формы в padded_shapes. Аргумент padded_shapes определяет результирующую форму для каждого измерения каждого компонента в элементе выходного значения:
- Если измерение является постоянным, компонент будет заполнен до этого размера в этом измерении.
- Если измерение неизвестно, компонент будет заполнен 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, которые могут иметь разные формы в tf.sparse.SparseTensor.
| Аргументы | |
|---|---|
batch_size | Скалярный tf.int64 tf.Tensor, представляющий количество последовательных элементов этого набора данных для объединения в один пакет. |
padded_shapes | (Необязательно.) (Вложенная) структура tf.TensorShape или tf.int64 векторных тензорподобных объектов, представляющих форму, до которой должен быть заполнен соответствующий компонент каждого входного элемента перед объединением в пакет. Любые неизвестные измерения будут заполнены до максимального размера этого измерения в каждом пакете. padded_shapes должно быть установлено, если у любого компонента неизвестный ранг. |
padding_values | (Необязательно.) (Вложенная) структура скалярных tf.Tensor, представляющих значения заполнения для соответствующих компонентов. None представляет то, что (вложенная) структура должна быть заполнена значениями по умолчанию. Значения по умолчанию — 0 для числовых типов и пустая строка для строковых типов. padding_values должна иметь ту же (вложенную) структуру, что и входной набор данных. Если padding_values — один элемент, а входной набор данных имеет несколько компонентов, то то же padding_values будет использоваться для заполнения каждого компонента набора данных. Если padding_values — скаляр, то его значение будет распространено для соответствия форме каждого компонента. |
drop_remainder | (Необязательно.) tf.bool скалярный tf.Tensor, представляющий, нужно ли отбрасывать последний пакет в случае, если он содержит меньше batch_size элементов; поведение по умолчанию — не отбрасывать более маленький пакет. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
| Возможные исключения | |
|---|---|
ValueError | Если у компонента неизвестный ранг, и аргумент padded_shapes не установлен. |
TypeError | Если компонент имеет неподдерживаемый тип. Список поддерживаемых типов приведен в https://www.tensorflow.org/guide/data#dataset_structure |
prefetch
prefetch(
buffer_size, name=None
) -> 'DatasetV2'
Создает Dataset, который предварительно извлекает элементы из этого набора данных.
Большинство конвейеров ввода данных набора данных должны заканчиваться вызовом prefetch. Это позволяет подготовить последующие элементы, пока обрабатывается текущий элемент. Это часто улучшает задержки и пропускную способность, за счет использования дополнительной памяти для хранения предварительно извлеченных элементов.
Примечание: Как и другие методыDataset, prefetch работает с элементами входного набора данных. Он не понимает понятий примеров и пакетов.examples.prefetch(2)будет предварительно извлекать два элемента (2 примера), в то время какexamples.batch(20).prefetch(2)будет предварительно извлекать 2 элемента (2 пакета по 20 примеров каждый).
dataset = tf.data.Dataset.range(3) dataset = dataset.prefetch(2) list(dataset.as_numpy_iterator()) [0, 1, 2]
| Аргументы | |
|---|---|
buffer_size | tf.int64 скалярный tf.Tensor, представляющий максимальное количество элементов, которые будут буферизованы при предварительном извлечении. Если используется значение tf.data.AUTOTUNE, размер буфера настраивается динамически. |
name | Необязательно. Имя tf.data преобразования. |
| Возвращаемые значения | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
ragged_batch
ragged_batch(
batch_size,
drop_remainder=False,
row_splits_dtype=tf.dtypes.int64,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в tf.RaggedTensor.
Подобно tf.data.Dataset.batch, компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N равномерно и drop_remainder равно False). Если ваша программа зависит от того, что пакеты имеют одинаковое внешнее измерение, вы должны установить аргумент drop_remainder в True, чтобы предотвратить создание более маленького пакета.
В отличие от tf.data.Dataset.batch, входные элементы для пакетной обработки могут иметь разные формы:
- Если входной элемент является
tf.Tensor, у которого статическаяtf.TensorShapeполностью определена, то он пакетуется обычным образом. - Если входной элемент является
tf.Tensor, у которого статическаяtf.TensorShapeсодержит одну или несколько осей с неизвестным размером (т.е.,shape[i]=None), то выход будет содержатьtf.RaggedTensor, разреженную по любым из таких измерений. - Если входной элемент является
tf.RaggedTensorили любого другого типа, то он пакетуется 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 объединяются в один пакет. |
drop_remainder | (Необязательно.) Скалярный tf.bool tf.Tensor, представляющий, следует ли отбрасывать последний пакет в случае, если он содержит меньше, чем batch_size элементов; по умолчанию меньший пакет не отбрасывается. |
row_splits_dtype | Тип данных, который следует использовать для row_splits любых новых разреженных тензоров. У существующих элементов tf.RaggedTensor тип данных row_splits не изменяется. |
name | (Необязательно.) Строка, указывающая имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
random
@staticmethod
random(
seed=None, rerandomize_each_iteration=None, name=None
) -> 'DatasetV2'
Создает Dataset псевдослучайных значений.
Набор данных генерирует последовательность равномерно распределенных целых значений.
rerandomize_each_iteration определяет, должна ли последовательность генерируемых случайных чисел перестраиваться для каждой эпохи. Значение по умолчанию - False, где набор данных генерирует одну и ту же последовательность случайных чисел для каждой эпохи.
ds1 = tf.data.Dataset.random(seed=4).take(10) ds2 = tf.data.Dataset.random(seed=4).take(10) print(list(ds1.as_numpy_iterator())==list(ds2.as_numpy_iterator())) True
ds3 = tf.data.Dataset.random(seed=4).take(10) ds3_first_epoch = list(ds3.as_numpy_iterator()) ds3_second_epoch = list(ds3.as_numpy_iterator()) print(ds3_first_epoch == ds3_second_epoch) True
ds4 = tf.data.Dataset.random(
seed=4, rerandomize_each_iteration=True).take(10)
ds4_first_epoch = list(ds4.as_numpy_iterator())
ds4_second_epoch = list(ds4.as_numpy_iterator())
print(ds4_first_epoch == ds4_second_epoch)
False| Аргументы | |
|---|---|
seed | (Необязательно) Если указано, набор данных генерирует детерминированную последовательность значений. |
rerandomize_each_iteration | (Необязательно) Если установлено в False, набор данных генерирует одну и ту же последовательность случайных чисел для каждой эпохи. Если установлено в True, он генерирует другую детерминированную последовательность случайных чисел для каждой эпохи. По умолчанию False, если не указано. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset | Dataset. |
range
@staticmethod
range(
*args, **kwargs
) -> 'DatasetV2'
Создает Dataset последовательности значений с заданным шагом.
list(Dataset.range(5).as_numpy_iterator()) [0, 1, 2, 3, 4] list(Dataset.range(2, 5).as_numpy_iterator()) [2, 3, 4] list(Dataset.range(1, 5, 2).as_numpy_iterator()) [1, 3] list(Dataset.range(1, 5, -2).as_numpy_iterator()) [] list(Dataset.range(5, 1).as_numpy_iterator()) [] list(Dataset.range(5, 1, -2).as_numpy_iterator()) [5, 3] list(Dataset.range(2, 5, output_type=tf.int32).as_numpy_iterator()) [2, 3, 4] list(Dataset.range(1, 5, 2, output_type=tf.float32).as_numpy_iterator()) [1.0, 3.0]
| Аргументы | |
|---|---|
*args | соответствует семантике python's range. 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 |
|
| Возвращаемое значение | |
|---|---|
Dataset | RangeDataset. |
| Исключения | |
|---|---|
ValueError | если len(args) == 0. |
rebatch
rebatch(
batch_size, drop_remainder=False, name=None
) -> 'DatasetV2'
Создает Dataset, который повторно группирует элементы из этого набора данных.
rebatch(N) функционально эквивалентно unbatch().batch(N), но более эффективно, выполняя одну копию вместо двух.
ds = tf.data.Dataset.range(6) ds = ds.batch(2) ds = ds.rebatch(3) list(ds.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5])]
ds = tf.data.Dataset.range(7) ds = ds.batch(4) ds = ds.rebatch(3) list(ds.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5]), array([6])]
ds = tf.data.Dataset.range(7) ds = ds.batch(2) ds = ds.rebatch(3, drop_remainder=True) list(ds.as_numpy_iterator()) [array([0, 1, 2]), array([3, 4, 5])]
Если аргумент batch_size является списком, rebatch циклически перебирает список для определения размера 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, представляющий размер пакетов. Если этот аргумент является вектором, значения циклически перебираются поочередно. |
drop_remainder | (Необязательно.) Скалярный tf.bool tf.Tensor, представляющий, следует ли отбрасывать последний пакет в случае, если он содержит меньше, чем batch_size[cycle_index] элементов; по умолчанию меньший пакет не отбрасывается. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset скалярных элементов dtype. |
reduce
reduce(
initial_state, reduce_func, name=None
)
Сокращает набор данных до одного элемента.
Преобразование вызывает reduce_func последовательно на каждом элементе входного набора данных до тех пор, пока набор данных не будет исчерпан, агрегируя информацию в своём внутреннем состоянии. Аргумент initial_state используется для начального состояния, 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, которая сопоставляет (old_state, input_element) с new_state. Она должна принимать два аргумента и возвращать новый элемент. Структура new_state должна соответствовать структуре initial_state. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
| Элемент набора данных, соответствующий конечному состоянию преобразования. |
rejection_resample
rejection_resample(
class_func, target_dist, initial_dist=None, seed=None, name=None
) -> 'DatasetV2'
Перевыборка элементов для достижения целевого распределения.
Примечание: Эта реализация может отбрасывать или повторять элементы, чтобы достичьtarget_dist. Поэтому в некоторых случаях выходнойDatasetможет быть больше, чем входнойDataset.
initial_dist = [0.6, 0.4] n = 1000 elems = np.random.choice(len(initial_dist), size=n, p=initial_dist) dataset = tf.data.Dataset.from_tensor_slices(elems) zero, one = np.bincount(list(dataset.as_numpy_iterator())) / n
Следуя из initial_dist, zero 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
Следуя из target_dist, zero примерно 0,5, а one примерно 0,5.
| Аргументы | |
|---|---|
class_func | Функция, отображающая элемент входного набора данных в скалярный tf.int32 тензор. Значения должны быть в [0, num_classes). |
target_dist | Тензор с плавающей точкой, с формой [num_classes]. |
initial_dist | (Необязательно.) Тензор с плавающей точкой, с формой [num_classes]. Если не указан, то истинное распределение классов оценивается динамически в потоковом режиме. |
seed | (Необязательно.) Целое число, используемое в качестве начального значения генератора случайных чисел для перевыборки. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
repeat
repeat(
count=None, name=None
) -> 'DatasetV2'
Повторяет этот набор данных, чтобы каждое исходное значение было видно count раз.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset = dataset.repeat(3) list(dataset.as_numpy_iterator()) [1, 2, 3, 1, 2, 3, 1, 2, 3]
Примечание: Если входной набор данных зависит от глобального состояния (например, генератора случайных чисел) или его выход не является детерминированным (например, из-за необратимых shuffle upstream), то разные повторения могут генерировать разные элементы.
| Аргументы | |
|---|---|
count | (Необязательно.) Скалярное значение типа tf.int64 tf.Tensor, представляющее количество повторений набора данных. По умолчанию (если count равно None или -1) набор данных повторяется неограниченное число раз. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
sample_from_datasets
@staticmethod
sample_from_datasets(
datasets,
weights=None,
seed=None,
stop_on_empty_dataset=False,
rerandomize_each_iteration=None
) -> 'DatasetV2'
Выбирает элементы случайным образом из наборов данных в datasets.
Создаёт набор данных путём чередования элементов из datasets с weight[i] вероятностью выбора элемента из набора данных i. Выборка осуществляется без возврата. Например, предположим, что у нас есть 2 набора данных:
dataset1 = tf.data.Dataset.range(0, 3) dataset2 = tf.data.Dataset.range(100, 103)
Предположим, что мы выбираем из этих 2 наборов данных со следующими весами:
sample_dataset = tf.data.Dataset.sample_from_datasets(
[dataset1, dataset2], weights=[0.5, 0.5])
Возможный результат элементов в sample_dataset:
print(list(sample_dataset.as_numpy_iterator())) # [100, 0, 1, 101, 2, 102]
| Аргументы | |
|---|---|
datasets | Непустой список объектов tf.data.Dataset с совместимой структурой. |
weights | (Необязательно.) Список или тензор len(datasets) чисел с плавающей запятой, где weights[i] представляет вероятность выбора из datasets[i], или объект tf.data.Dataset, где каждый элемент является таким списком. По умолчанию используется равномерное распределение по всем datasets. |
seed | (Необязательно.) Скалярное значение типа tf.int64 tf.Tensor, представляющее случайное семя, которое будет использовано для создания распределения. См. tf.random.set_seed для получения информации о поведении. |
stop_on_empty_dataset | Если True, выборка останавливается, если она встречает пустой набор данных. Если False, выборка продолжается и пропускает любые пустые наборы данных. Рекомендуется установить значение в True. В противном случае распределение выборок первоначально соответствует намерениям пользователя, но может изменяться по мере того, как входные наборы данных становятся пустыми. Это может быть сложно обнаружить, так как набор данных сначала выглядит правильно. По умолчанию используется False для обратной совместимости. |
rerandomize_each_iteration | Необязательный bool. Логический аргумент управляет тем, будет ли последовательность случайных чисел, используемых для определения набора данных для выборки, перегенерирована в каждой эпохе. То есть, он определяет, будут ли наборы данных выбираться в одном и том же порядке в разных эпохах (по умолчанию) или нет. |
| Возвращает | |
|---|---|
Набор данных, в котором элементы из datasets чередуются случайным образом, в соответствии с weights, если указано, в противном случае с равномерной вероятностью. |
| Возможные исключения | |
|---|---|
TypeError | Если аргументы datasets или weights имеют неправильный тип. |
ValueError |
|
save
save(
path, compression=None, shard_func=None, checkpoint_args=None
)
Сохраняет содержимое заданного набора данных.
Пример использования:
import tempfile path = os.path.join(tempfile.gettempdir(), "saved_data") # Save a dataset dataset = tf.data.Dataset.range(2) dataset.save(path) new_dataset = tf.data.Dataset.load(path) for elem in new_dataset: print(elem) tf.Tensor(0, shape=(), dtype=int64) tf.Tensor(1, shape=(), dtype=int64)
Сохранённый набор данных сохраняется в нескольких файлах «фрагментах». По умолчанию вывод набора данных делится на фрагменты в порядке чередования, но можно указать пользовательское разбиение на фрагменты с помощью функции shard_func. Например, вы можете сохранить набор данных с использованием одного фрагмента следующим образом:
dataset = make_dataset()
def custom_shard_func(element):
return np.int64(0)
dataset.save(
path="/path/to/data", ..., shard_func=custom_shard_func)
Для включения контрольных точек передайте checkpoint_args в метод save следующим образом:
dataset = tf.data.Dataset.range(100)
save_dir = "..."
checkpoint_prefix = "..."
step_counter = tf.Variable(0, trainable=False)
checkpoint_args = {
"checkpoint_interval": 50,
"step_counter": step_counter,
"directory": checkpoint_prefix,
"max_to_keep": 20,
}
dataset.save(dataset, save_dir, checkpoint_args=checkpoint_args)
Примечание: Структура каталогов и формат файлов, используемые для сохранения набора данных, считаются реализационными деталями и могут измениться. По этой причине наборы данных, сохраненные черезtf.data.Dataset.save, должны потребляться только черезtf.data.Dataset.load, который гарантирует обратную совместимость.
| Аргументы | |
|---|---|
path | Требуется. Каталог для сохранения набора данных. |
compression | Необязательно. Алгоритм для сжатия данных при записи. Поддерживаются GZIP и NONE. По умолчанию NONE. |
shard_func | Необязательно. Функция для управления отображением элементов набора данных на фрагменты файлов. Функция должна отображать элементы входного набора данных на id фрагментов типа int64. При наличии функция будет отслеживаться и выполняться как вычисление графика. |
checkpoint_args | Необязательные аргументы для контрольных точек, которые будут переданы в tf.train.CheckpointManager. Если checkpoint_args не указаны, то контрольные точки не будут созданы. Реализация save() создаёт объект tf.train.Checkpoint внутри, поэтому пользователям не следует устанавливать аргумент checkpoint в checkpoint_args. |
| Возвращает | |
|---|---|
| Операция, которая при выполнении выполняет сохранение. При записи контрольных точек возвращает None. Возвращаемое значение полезно при проведении юнит-тестов. |
| Возможные исключения | |
|---|---|
ValueError, если checkpoint передан в checkpoint_args. |
scan
scan(
initial_state, scan_func, name=None
) -> 'DatasetV2'
Преобразование, которое сканирует функцию по набору входных данных.
Это состоятельное преобразование, относящееся к tf.data.Dataset.map. Помимо отображения scan_func по 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, отображающая (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 преобразованием, как описано выше. |
shard
shard(
num_shards, index, name=None
) -> 'DatasetV2'
Создаёт Dataset, который включает только 1/num_shards этого набора данных.
shard детерминирован. Набор данных, созданный A.shard(n, i), будет содержать все элементы A, чьи индексы mod n = i.
A = tf.data.Dataset.range(10) B = A.shard(num_shards=3, index=0) list(B.as_numpy_iterator()) [0, 3, 6, 9] C = A.shard(num_shards=3, index=1) list(C.as_numpy_iterator()) [1, 4, 7] D = A.shard(num_shards=3, index=2) list(D.as_numpy_iterator()) [2, 5, 8]
Этот оператор набора данных очень полезен при выполнении распределённого обучения, поскольку он позволяет каждому рабочему процессу читать уникальный подмножество.
При чтении одного входного файла вы можете разделить элементы следующим образом:
d = tf.data.TFRecordDataset(input_file) d = d.shard(num_workers, worker_index) d = d.repeat(num_epochs) d = d.shuffle(shuffle_buffer_size) d = d.map(parser_fn, num_parallel_calls=num_map_threads)
Важные замечания:
- Убедитесь, что вы разделили на фрагменты перед использованием любого оператора случайного выбора (например, shuffle).
- В целом, лучше использовать оператор фрагментации на ранней стадии конвейера набора данных. Например, при чтении из набора файлов TFRecord разделите на фрагменты перед преобразованием набора данных в образцы входных данных. Это предотвратит чтение каждого файла каждым рабочим процессом. Следующее является примером эффективной стратегии фрагментации в полном конвейере:
d = Dataset.list_files(pattern, shuffle=False)
d = d.shard(num_workers, worker_index)
d = d.repeat(num_epochs)
d = d.shuffle(shuffle_buffer_size)
d = d.interleave(tf.data.TFRecordDataset,
cycle_length=num_readers, block_length=1)
d = d.map(parser_fn, num_parallel_calls=num_map_threads)
| Аргументы | |
|---|---|
num_shards | Скалярное значение типа tf.int64, представляющее количество фрагментов, работающих параллельно. |
index | Скалярное значение типа tf.int64, представляющее индекс работника. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой выше трансформацией. |
| Исключения | |
|---|---|
InvalidArgumentError | если num_shards или index имеют недопустимые значения. Примечание: проверка ошибок выполняется с наилучшими усилиями, и ошибки не гарантируются при создании набора данных. (Например, предоставление тензора-заполнителя обходит раннюю проверку и вместо этого приведёт к ошибке во время вызова session.run.) |
shuffle
shuffle(
buffer_size, seed=None, reshuffle_each_iteration=None, name=None
) -> 'DatasetV2'
Случайным образом перемешивает элементы этого набора данных.
Этот набор данных заполняет буфер buffer_size элементами, а затем случайным образом выбирает элементы из этого буфера, заменяя выбранные элементы новыми элементами. Для идеального перемешивания требуется размер буфера, больший или равный полному размеру набора данных.
Например, если ваш набор данных содержит 10 000 элементов, но buffer_size задан как 1000, то shuffle изначально выберет случайный элемент только из первых 1000 элементов в буфере. После выбора элемента его место в буфере заменяется следующим (т. е. 1001-м) элементом, сохраняя буфер из 1000 элементов.
reshuffle_each_iteration управляет тем, должен ли порядок перемешивания быть другим для каждой эпохи. В TF 1.X стандартным способом создания эпох была трансформация repeat:
dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=True) dataset = dataset.repeat(2) # [1, 0, 2, 1, 2, 0] dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=False) dataset = dataset.repeat(2) # [1, 0, 2, 1, 0, 2]
В TF 2.0 объекты tf.data.Dataset являются итерируемыми объектами Python, что позволяет также создавать эпохи 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 buffer_size равной числу элементов в наборе данных, что приводит к равномерному перемешиванию.
Примечание: shuffle(dataset.cardinality()) загружает весь набор данных в память для того, чтобы его можно было перемешать. Это приведёт к ошибке переполнения памяти (OOM) в случае очень большого набора данных, поэтому полное перемешивание следует использовать только для наборов данных, которые, как известно, помещаются в память, таких как наборы данных имён файлов или другие небольшие наборы данных.
dataset = tf.data.Dataset.range(20) dataset = dataset.shuffle(dataset.cardinality()) # [18, 4, 9, 2, 17, 8, 5, 10, 0, 6, 16, 3, 19, 7, 14, 11, 15, 13, 12, 1]
| Аргументы | |
|---|---|
buffer_size | Скалярное значение типа tf.int64, представляющее количество элементов из этого набора данных, из которых новый набор данных будет выбирать образцы. Для равномерного перемешивания всего набора данных используйте buffer_size=dataset.cardinality(). |
seed | (Необязательно.) Скалярное значение типа tf.int64, представляющее случайное семя, которое будет использоваться для создания распределения. См. tf.random.set_seed для поведения. |
reshuffle_each_iteration | (Необязательно.) Булево значение, которое, если равно true, указывает, что набор данных должен быть псевдослучайным образом перемешиваем каждый раз при его итерировании. (По умолчанию True.) |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой выше трансформацией. |
skip
skip(
count, name=None
) -> 'DatasetV2'
Создаёт набор данных, пропускающий Dataset элементов из этого набора данных.
dataset = tf.data.Dataset.range(10) dataset = dataset.skip(7) list(dataset.as_numpy_iterator()) [7, 8, 9]
| Аргументы | |
|---|---|
count | Скалярное значение типа tf.int64, представляющее количество элементов из этого набора данных, которые нужно пропустить, чтобы сформировать новый набор данных. Если count больше размера этого набора данных, новый набор данных не будет содержать элементов. Если count равно -1, пропускается весь набор данных. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой выше трансформацией. |
snapshot
snapshot(
path,
compression='AUTO',
reader_func=None,
shard_func=None,
name=None
) -> 'DatasetV2'
API для сохранения результата входного набора данных.
API snapshot позволяет пользователям прозрачно сохранять результат своей предварительной обработки на диск и материализовывать предварительно обработанные данные в другом запуске обучения.
Этот API позволяет объединить многократные шаги предварительной обработки и повторно использовать уже обработанные данные, обменивая место на диске и пропускную способность сети на высвобождение ценных ресурсов CPU и вычислительное время ускорителя.
https://github.com/tensorflow/community/blob/master/rfcs/20200107-tf-data-snapshot.md содержит подробную документацию по проектированию этой функции.
Пользователи могут указать различные параметры для управления поведением snapshot, включая то, как snapshot считываются и записываются, передав пользовательские функции параметрам reader_func и shard_func.
shard_func — это пользовательская функция, которая сопоставляет входные элементы с фрагментами snapshot.
Пользователи могут захотеть указать эту функцию для управления тем, как файлы snapshot должны записываться на диск. Ниже приведён пример написания потенциальной функции shard_func.
dataset = ...
dataset = dataset.enumerate()
dataset = dataset.snapshot("/path/to/snapshot/dir",
shard_func=lambda x, y: x % NUM_SHARDS, ...)
dataset = dataset.map(lambda x, y: y)
reader_func — это пользовательская функция, которая принимает один аргумент: (1) набор данных из наборов данных, каждый из которых представляет «разделение» элементов исходного набора данных. Мощность входного набора данных соответствует количеству фрагментов, указанных в shard_func (см. выше). Функция должна возвращать набор данных из элементов исходного набора данных.
Пользователи могут указать эту функцию для управления тем, как файлы snapshot должны считываться с диска, включая количество перемешивания и параллелизма.
Вот пример стандартной функции чтения, которую может определить пользователь. Эта функция позволяет и перемешивать набор данных, и считывать наборы данных параллельно:
def user_reader_func(datasets):
# shuffle the datasets splits
datasets = datasets.shuffle(NUM_CORES)
# read datasets in parallel and interleave their elements
return datasets.interleave(lambda x: x, num_parallel_calls=AUTOTUNE)
dataset = dataset.snapshot("/path/to/snapshot/dir",
reader_func=user_reader_func)
По умолчанию snapshot параллелизует считывание по числу ядер, доступных в системе, но не будет пытаться перемешать данные.
| Аргументы | |
|---|---|
path | Обязательно. Каталог для хранения/загрузки snapshot. |
compression | Необязательно. Тип сжатия, который нужно применить к snapshot, записываемому на диск. Поддерживаемые варианты — GZIP, SNAPPY, AUTO или None. По умолчанию AUTO, что пытается выбрать соответствующий алгоритм сжатия для набора данных. |
reader_func | Необязательно. Функция для управления чтением данных из фрагментов snapshot. |
shard_func | Необязательно. Функция для управления фрагментированием данных при записи snapshot. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённой выше трансформацией. |
sparse_batch
sparse_batch(
batch_size, row_shape, name=None
) -> 'DatasetV2'
Объединяет последовательные элементы в tf.sparse.SparseTensor.
Как и Dataset.padded_batch(), эта трансформация объединяет несколько последовательных элементов набора данных, которые могут иметь разные формы, в один элемент. Результирующий элемент имеет три компонента (indices, values и dense_shape), которые составляют tf.sparse.SparseTensor, представляющий те же данные. row_shape представляет плотную форму каждой строки в результирующем tf.sparse.SparseTensor, к которой добавляется эффективный размер пакета. Например:
# NOTE: The following examples use `{ ... }` to represent the
# contents of a dataset.
a = { ['a', 'b', 'c'], ['a', 'b'], ['a', 'b', 'c', 'd'] }
a.apply(tf.data.experimental.dense_to_sparse_batch(
batch_size=2, row_shape=[6])) ==
{
([[0, 0], [0, 1], [0, 2], [1, 0], [1, 1]], # indices
['a', 'b', 'c', 'a', 'b'], # values
[2, 6]), # dense_shape
([[0, 0], [0, 1], [0, 2], [0, 3]],
['a', 'b', 'c', 'd'],
[1, 6])
}
| Аргументы | |
|---|---|
batch_size | Скалярное значение типа tf.int64 tf.Tensor, представляющее количество последовательных элементов этого набора данных, которые необходимо объединить в одну партию. |
row_shape | Объект-вектор типа tf.TensorShape или tf.int64, представляющий эквивалентную плотную форму строки в результирующем tf.sparse.SparseTensor. Каждый элемент этого набора данных должен иметь тот же ранг, что и row_shape, и размер в каждом измерении не должен превышать row_shape. |
name | (Необязательно.) Строка, указывающая имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
take
take(
count, name=None
) -> 'DatasetV2'
Создаёт набор данных Dataset, содержащий не более count элементов из этого набора данных.
dataset = tf.data.Dataset.range(10) dataset = dataset.take(3) list(dataset.as_numpy_iterator()) [0, 1, 2]
| Аргументы | |
|---|---|
count | Скалярное значение типа tf.int64 tf.Tensor, представляющее количество элементов этого набора данных, которые необходимо взять для создания нового набора данных. Если count равно -1 или если count больше размера этого набора данных, новый набор данных будет содержать все элементы этого набора данных. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
take_while
take_while(
predicate, name=None
) -> 'DatasetV2'
Преобразование, которое останавливает итерацию по набору данных на основе условия 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 отображает вложенную структуру тензоров (с формами и типами, определёнными self.output_shapes и self.output_types) в скалярный тензор типа tf.bool. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
unbatch
unbatch(
name=None
) -> 'DatasetV2'
Разбивает элементы набора данных на несколько элементов.
Например, если элементы набора данных имеют форму [B, a0, a1, ...], где B может изменяться для каждого входного элемента, то для каждого элемента в наборе данных, набор данных без группировки будет содержать B последовательных элементов формы [a0, a1, ...].
elements = [ [1, 2, 3], [1, 2], [1, 2, 3, 4] ] dataset = tf.data.Dataset.from_generator(lambda: elements, tf.int64) dataset = dataset.unbatch() list(dataset.as_numpy_iterator()) [1, 2, 3, 1, 2, 1, 2, 3, 4]
Примечание:unbatchтребует копирования данных для разделения сгруппированного тензора на меньшие, не сгруппированные тензоры. При оптимизации производительности старайтесь избегать ненужного использованияunbatch.
| Аргументы | |
|---|---|
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
unique
unique(
name=None
) -> 'DatasetV2'
Преобразование, которое отбрасывает повторяющиеся элементы набора данных Dataset.
Используйте это преобразование для создания набора данных, который содержит по одному экземпляру каждого уникального элемента на входе. 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, которые помещаются в память и содержат элементы типаtf.int32,tf.int64илиtf.string.
| Аргументы | |
|---|---|
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
window
window(
size, shift=None, stride=1, drop_remainder=False, name=None
) -> 'DatasetV2'
Возвращает набор данных «окон».
Каждое «окно» — это набор данных, содержащий подмножество элементов входного набора данных. Это конечные наборы данных размером size (или возможно меньше, если нет достаточно входных элементов для заполнения окна и drop_remainder вычисляет 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, они могут быть перебираемы:
for window in dataset: print(list(window.as_numpy_iterator())) [0, 1, 2] [3, 4, 5] [6]
Сдвиг
Аргумент shift определяет количество входных элементов для сдвига между началом каждого окна. Если номера окон и элементов начинаются с 0, то первый элемент в окне k будет элементом k * shift входного набора данных. В частности, первый элемент первого окна всегда будет первым элементом входного набора данных.
dataset = tf.data.Dataset.range(7).window(3, shift=1,
drop_remainder=True)
for window in dataset:
print(list(window.as_numpy_iterator()))
[0, 1, 2]
[1, 2, 3]
[2, 3, 4]
[3, 4, 5]
[4, 5, 6]Шаг
Аргумент stride определяет шаг между входными элементами в окне.
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
При применении преобразования window к набору данных, элементы которого представляют собой вложенные структуры, оно генерирует набор данных, где элементы имеют ту же вложенную структуру, но каждый лист заменяется окном. Другими словами, вложенность применяется снаружи окон, а не внутри них.
Подпись типа:
def window(
self: Dataset[Nest[T]], ...
) -> Dataset[Nest[Dataset[T]]]
Применение window к набору данных 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 набору данных словарей даёт словарь окон:
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]}Распаковать набор данных окон
Методы Dataset.flat_map и Dataset.interleave могут использоваться для распаковки набора данных окон в один набор данных.
Аргумент для flat_map — это функция, которая берёт элемент из набора данных и возвращает набор данных. flat_map объединяет полученные наборы данных последовательно.
Например, чтобы преобразовать каждое окно в плотный тензор:
dataset = tf.data.Dataset.range(7).window(3, shift=1,
drop_remainder=True)
batched = dataset.flat_map(lambda x:x.batch(3))
for batch in batched:
print(batch.numpy())
[0 1 2]
[1 2 3]
[2 3 4]
[3 4 5]
[4 5 6]| Аргументы | |
|---|---|
size | Скалярное значение типа tf.int64 tf.Tensor, представляющее количество элементов входного набора данных, которые необходимо объединить в окно. Должно быть положительным. |
shift | (Необязательно.) Скалярное значение типа tf.int64 tf.Tensor, представляющее количество входных элементов, на которое сдвигается окно в каждом цикле. По умолчанию равно size. Должно быть положительным. |
stride | (Необязательно.) Скалярное значение типа tf.int64 tf.Tensor, представляющее шаг входных элементов в скользящем окне. Значение по умолчанию 1 означает «сохранить каждый входной элемент». |
drop_remainder | (Необязательно.) Скалярное значение типа tf.bool tf.Tensor, указывающее, нужно ли отбрасывать последние окна, если их размер меньше size. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
with_options
with_options(
options, name=None
) -> 'DatasetV2'
Возвращает новый tf.data.Dataset с заданными параметрами.
Параметры являются «глобальными» в том смысле, что они применяются ко всему набору данных. Если параметры задаются несколько раз, они объединяются, при условии, что разные параметры не используют различные значения, отличные от значений по умолчанию.
ds = tf.data.Dataset.range(5)
ds = ds.interleave(lambda x: tf.data.Dataset.range(5),
cycle_length=3,
num_parallel_calls=3)
options = tf.data.Options()
# This will make the interleave order non-deterministic.
options.deterministic = False
ds = ds.with_options(options)| Аргументы | |
|---|---|
options | tf.data.Options, определяющий используемые параметры. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
ValueError | при установке параметра более одного раза с отличным от значения по умолчанию значением |
zip
@staticmethod
zip(
*args, datasets=None, name=None
) -> 'DatasetV2'
Создаёт Dataset, объединяя заданные наборы данных.
Этот метод имеет сходные семантику со встроенной функцией zip() в Python, с основным отличием, заключающимся в том, что аргумент datasets может быть (вложенной) структурой объектов Dataset. Поддерживаемые механизмы 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 вложенные структуры наборов данных для объединения. Не может быть установлено, если datasets установлено. |
datasets | (Вложенная) структура наборов данных. Не может быть установлено, если *args установлено. Обратите внимание, что это существует только для обратной совместимости, и использование *args предпочтительнее. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
__bool__
__bool__()
__iter__
__iter__() -> iterator_ops.OwnedIterator
Создаёт итератор для элементов этого набора данных.
Возвращаемый итератор реализует протокол Python Iterator.
| Возвращает | |
|---|---|
tf.data.Iterator для элементов этого набора данных. |
| Исключения | |
|---|---|
RuntimeError | Если не внутри tf.function и не выполняется жадно. |
__len__
__len__()
Возвращает длину набора данных, если она известна и конечна.
Этот метод требует, чтобы вы работали в режиме жадного выполнения и длина набора данных была известной и не бесконечной. Когда длина может быть неизвестной или бесконечной, или если вы работаете в режиме графа, используйте tf.data.Dataset.cardinality вместо этого.
| Возвращает | |
|---|---|
| Целое число, представляющее длину набора данных. |
| Исключения | |
|---|---|
RuntimeError | Если длина набора данных неизвестна или бесконечна, или если жадное выполнение не включено. |
__nonzero__
__nonzero__()
© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/data/experimental/SqlDataset