tf.data.FixedLengthRecordDataset
A набор фиксированной длины записей из одного или нескольких двоичных файлов.
Наследует от: Dataset
tf.data.FixedLengthRecordDataset(
filenames,
record_bytes,
header_bytes=None,
footer_bytes=None,
buffer_size=None,
compression_type=None,
num_parallel_reads=None,
name=None
)
Класс tf.data.FixedLengthRecordDataset читает записи фиксированной длины из двоичных файлов и создаёт набор данных, где каждая запись становится элементом набора. Двоичные файлы могут иметь заголовок фиксированной длины и подвал фиксированной длины, которые оба будут пропущены.
Например, предположим, что у нас есть 2 файла "fixed_length0.bin" и "fixed_length1.bin" со следующим содержимым:
with open('/tmp/fixed_length0.bin', 'wb') as f:
f.write(b'HEADER012345FOOTER')
with open('/tmp/fixed_length1.bin', 'wb') as f:
f.write(b'HEADER6789abFOOTER')Мы можем создать набор данных из них следующим образом:
dataset1 = tf.data.FixedLengthRecordDataset(
filenames=['/tmp/fixed_length0.bin', '/tmp/fixed_length1.bin'],
record_bytes=2, header_bytes=6, footer_bytes=6)Элементы набора данных:
for element in dataset1.as_numpy_iterator(): print(element) b'01' b'23' b'45' b'67' b'89' b'ab'
| Args | |
|---|---|
filenames | A тензор tf.string или набор данных tf.data.Dataset, содержащий один или несколько имён файлов. |
record_bytes | A скаляр tf.int64, представляющий количество байтов в каждой записи. |
header_bytes | (Необязательно.) A скаляр tf.int64, представляющий количество байтов, которые следует пропустить в начале файла. |
footer_bytes | (Необязательно.) A скаляр tf.int64, представляющий количество байтов, которые следует пропустить в конце файла. |
buffer_size | (Необязательно.) A скаляр tf.int64, представляющий количество байтов для буферизации при чтении. |
compression_type | (Необязательно.) A скаляр tf.string, оцениваемый как один из "" (без сжатия), "ZLIB" или "GZIP". |
num_parallel_reads | (Необязательно.) A скаляр tf.int64, представляющий количество файлов, которые следует читать параллельно. Если больше одного, записи из файлов, прочитанных параллельно, выводятся в перекрёстном порядке. Если ваша конвейерная обработка ограничена вводом-выводом, рассмотрите возможность установить этот параметр на значение больше одного, чтобы распараллелить ввод-вывод. Если None, файлы будут читаться последовательно. |
name | (Необязательно.) Имя операции tf.data. |
| Атрибуты | |
|---|---|
element_spec | Спецификация типа элемента этого набора данных.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset.element_spec TensorSpec(shape=(), dtype=tf.int32, name=None) Дополнительную информацию см. в этом руководстве. |
Методы
apply
apply(
transformation_func
) -> 'DatasetV2'
Применяет функцию преобразования к этому набору данных.
apply позволяет объединять пользовательские Dataset преобразования, которые представляются как функции, принимающие один Dataset аргумент и возвращающие преобразованный Dataset.
dataset = tf.data.Dataset.range(100) def dataset_fn(ds): return ds.filter(lambda x: x < 5) dataset = dataset.apply(dataset_fn) list(dataset.as_numpy_iterator()) [0, 1, 2, 3, 4]
| Args | |
|---|---|
transformation_func | Функция, принимающая один Dataset аргумент и возвращающая Dataset. |
| Returns | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
as_numpy_iterator
as_numpy_iterator()
Возвращает итератор, который преобразует все элементы набора данных в NumPy.
Используйте as_numpy_iterator для проверки содержимого вашего набора данных. Чтобы увидеть формы и типы элементов, выведите 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, а элемент_spec 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| Returns | |
|---|---|
| Итерируемый объект над элементами набора данных с тензорами, преобразованными в массивы NumPy. |
| Raises | |
|---|---|
TypeError | если элемент содержит значение, отличное от Tensor. |
RuntimeError | если режим eager не включён. |
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 число входных элементов N нацело, 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.
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.
| Args | |
|---|---|
batch_size | A tf.int64 скаляр tf.Tensor, представляющий количество последовательных элементов этого набора данных для объединения в одну партию. |
drop_remainder | (Необязательно.) A tf.bool скаляр tf.Tensor, представляющий, следует ли отбрасывать последнюю партию в случае, если она содержит меньше, чем batch_size элементов; по умолчанию меньшая партия не отбрасывается. |
num_parallel_calls | (Необязательно.) A tf.int64 скаляр tf.Tensor, представляющий количество партий для вычисления асинхронно параллельно. Если не указано, партии будут вычисляться последовательно. Если используется значение tf.data.AUTOTUNE, то количество параллельных вызовов динамически устанавливается на основе доступных ресурсов. |
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, преобразование разрешено генерировать элементы в произвольном порядке, чтобы поменять детерминизм на производительность. Если не указано, поведение контролируется опцией tf.data.Options.deterministic (по умолчанию True). |
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
bucket_by_sequence_length
bucket_by_sequence_length(
element_length_func,
bucket_boundaries,
bucket_batch_sizes,
padded_shapes=None,
padding_values=None,
pad_to_bucket_boundary=False,
no_padding=False,
drop_remainder=False,
name=None
) -> 'DatasetV2'
Преобразование, которое группирует элементы в Dataset по длине.
Элементы Dataset группируются по длине, а затем заполняются и объединяются в партии.
Это полезно для задач со последовательностями, в которых элементы имеют переменную длину. Группирование элементов с похожими длинами уменьшает общую долю заполнения в пачке, что повышает эффективность шага обучения.
Ниже приведен пример букетизации входных данных в 3 корзины "[0, 3), [3, 5), [5, inf)" на основе длины последовательности с размером партии 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]]| Args | |
|---|---|
element_length_func | функция, которая из элемента в Dataset преобразует в tf.int32, определяет длину элемента, которая определит корзину, в которую он попадает. |
bucket_boundaries | list<int>, верхние границы длины корзин. |
bucket_batch_sizes | list<int>, размер партии в каждой корзине. Длина должна быть len(bucket_boundaries) + 1. |
padded_shapes | Вложенная структура tf.TensorShape, передаваемая в tf.data.Dataset.padded_batch. Если не указана, используется dataset.output_shapes, что приводит к тому, что переменные размерности заполняются до максимальной длины в каждой партии. |
padding_values | Значения для заполнения, передаваемые в tf.data.Dataset.padded_batch. По умолчанию заполнение нулями. |
pad_to_bucket_boundary | bool, если False, будет заполнять размерности с неизвестным размером до максимальной длины в партии. Если True, будет заполнять размерности с неизвестным размером до границы корзины минус 1 (т.е., максимальная длина в каждой корзине), и вызывающий должен гарантировать, что исходный Dataset не содержит никаких элементов с длиной, превышающей max(bucket_boundaries). |
no_padding | bool, указывает, нужно ли заполнять признаки партии (признаки должны быть либо типа tf.sparse.SparseTensor, либо одинаковой формы). |
drop_remainder | (Необязательно.) A tf.bool скаляр tf.Tensor, представляющий, следует ли отбрасывать последнюю партию в случае, если она содержит меньше, чем batch_size элементов; по умолчанию меньшая партия не отбрасывается. |
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Raises | |
|---|---|
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 итерировании по набору данных его элементы будут кэшированы либо в указанном файле, либо в памяти. Последующие итерации будут использовать кэшированные данные.
Примечание: Для гарантии завершения кэша входной набор данных должен быть полностью проитерирован до возникновения StopIteration. В противном случае последующие итерации могут не использовать кэшированные данные.
dataset = tf.data.Dataset.range(5) dataset = dataset.map(lambda x: x**2) dataset = dataset.cache() # The first time reading through the data will generate the data using # `range` and `map`. list(dataset.as_numpy_iterator()) [0, 1, 4, 9, 16] # Subsequent iterations read from the cache. list(dataset.as_numpy_iterator()) [0, 1, 4, 9, 16]
При кэшировании в файл кэшированные данные будут сохраняться между запусками. Даже первая итерация данных будет читать из файла кэша. Изменение входного конвейера до вызова .cache() не повлияет, пока не будет удален файл кэша или не будет изменено имя файла.
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 генерировать точно такие же элементы при каждой итерации по набору данных. Если требуется случайный порядок итерации, убедитесь, что вызываетсяshuffleпосле вызоваcache.
| Args | |
|---|---|
filename | A tf.string скаляр tf.Tensor, представляющий имя каталога в файловой системе для кэширования элементов в этом наборе данных. Если имя файла не указано, набор данных будет кэширован в памяти. |
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
cardinality
cardinality()
Возвращает кардинальность набора данных, если она известна.
cardinality может возвращать tf.data.INFINITE_CARDINALITY, если набор данных содержит бесконечное число элементов, или tf.data.UNKNOWN_CARDINALITY, если анализ не смог определить количество элементов в наборе данных (например, когда источник набора данных - это 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
| Returns | |
|---|---|
Скаляр tf.int64 Tensor, представляющий кардинальность набора данных. Если кардинальность 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, заданы следующие наборы 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"
| Args | |
|---|---|
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 прекращается, если встречается пустой набор данных. Если False, пустые наборы данных пропускаются. Рекомендуется установить значение в True. В противном случае выбранные элементы сначала отображаются так, как задумано пользователем, но могут измениться, поскольку входные наборы данных становятся пустыми. Это может быть трудно обнаружить, так как набор данных изначально выглядит правильно. По умолчанию True. |
| Returns | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
TypeError | Если у datasets или choice_dataset неправильный тип. |
ValueError | Если datasets пусто. |
concatenate
concatenate(
dataset, name=None
) -> 'DatasetV2'
Создаёт Dataset, конкатенируя данный набор данных с этим набором данных.
a = tf.data.Dataset.range(1, 4) # ==> [ 1, 2, 3 ] b = tf.data.Dataset.range(4, 8) # ==> [ 4, 5, 6, 7 ] ds = a.concatenate(b) list(ds.as_numpy_iterator()) [1, 2, 3, 4, 5, 6, 7] # The input dataset and dataset to be concatenated should have # compatible element specs. c = tf.data.Dataset.zip((a, b)) a.concatenate(c) Traceback (most recent call last): TypeError: Two datasets to concatenate have different types <dtype: 'int64'> and (tf.int64, tf.int64) d = tf.data.Dataset.from_tensor_slices(["a", "b", "c"]) a.concatenate(d) Traceback (most recent call last): TypeError: Two datasets to concatenate have different types <dtype: 'int64'> and <dtype: 'string'>
| Аргументы | |
|---|---|
dataset | Dataset для конкатенации. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
counter
@staticmethod
counter(
start=0,
step=1,
dtype=tf.dtypes.int64,
name=None
) -> 'DatasetV2'
Создаёт Dataset, который считает от start с шагом step.
В отличие от tf.data.Dataset.range, который останавливается на 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.) Размер шага счётчика. По умолчанию 1. |
dtype | (Необязательно.) Тип данных для элементов счётчика. По умолчанию tf.int64. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset скалярных элементов типа dtype. |
enumerate
enumerate(
start=0, name=None
) -> 'DatasetV2'
Перечисляет элементы этого набора данных.
Аналогично python's enumerate.
dataset = tf.data.Dataset.from_tensor_slices([1, 2, 3]) dataset = dataset.enumerate(start=5) for element in dataset.as_numpy_iterator(): print(element) (5, 1) (6, 2) (7, 3)
# The (nested) structure of the input dataset determines the # structure of elements in the resulting dataset. dataset = tf.data.Dataset.from_tensor_slices([(7, 8), (9, 10)]) dataset = dataset.enumerate() for element in dataset.as_numpy_iterator(): print(element) (0, array([7, 8], dtype=int32)) (1, array([ 9, 10], dtype=int32))
| Аргументы | |
|---|---|
start | Скалярное значение tf.int64 типа tf.Tensor, представляющее начальное значение для перечисления. |
name | Необязательно. Имя операций tf.data, используемых в enumerate. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
filter
filter(
predicate, name=None
) -> 'DatasetV2'
Фильтрует этот набор данных согласно 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, отображающая элемент набора данных в булево значение. |
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 генерировать идентичные элементы, пока содержимое входных файлов не изменится и они генерируют данные детерминированно.
Однако, два набора данных, генерирующие идентичные значения, не всегда означают, что у них одинаковый отпечаток из-за разных конструкций графа.
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 сплющивает 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 остаётся неизменным. Например, чтобы сплющить набор данных из пакетов в набор данных их элементов:
dataset = tf.data.Dataset.from_tensor_slices(
[[1, 2, 3], [4, 5, 6], [7, 8, 9]])
dataset = dataset.flat_map(tf.data.Dataset.from_tensor_slices)
list(dataset.as_numpy_iterator())
[1, 2, 3, 4, 5, 6, 7, 8, 9]tf.data.Dataset.interleave() является обобщением flat_map, так как flat_map даёт такой же результат, как tf.data.Dataset.interleave(cycle_length=1)
| Аргументы | |
|---|---|
map_func | Функция, отображающая элемент набора данных в набор 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 Dataset, элементы которого генерируются generator. (устаревшие аргументы)
Примечание: Текущая реализацияDataset.from_generator()используетtf.numpy_functionи наследует те же ограничения. В частности, она требует, чтобы операции, связанные с набором данных и итератором, располагались на устройстве в том же процессе, что и Python-программа, которая вызывалаDataset.from_generator(). В частности, использованиеfrom_generatorпредотвратит использование tf.data service для масштабирования обработки наборов данных. Телоgeneratorне будет сериализовано вGraphDef, и вы не должны 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, функция-генератор).
Элементы, генерируемые generator, должны быть совместимы либо с заданным аргументом output_signature, либо с заданными аргументами output_types и (необязательно) output_shapes, какой из них был указан.
Рекомендуемый способ вызова from_generator — использование аргумента output_signature. В этом случае выход 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 есть устаревший способ вызова from_generator, либо с аргументом output_types в одиночку, либо вместе с аргументом output_shapes. В этом случае выход функции будет предполагаться состоящим из объектов tf.Tensor с типами, определёнными output_types, и формами, которые либо неизвестны, либо определены 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 генерацией первого элемента генератора. Изменение глобальных переменных или внешнего состояния может привести к неопределённому поведению, и мы рекомендуем вам явным образом кэшировать любое внешнее состояние вgeneratorперед вызовомDataset.from_generator().
Примечание: Хотя параметрoutput_signatureпозволяет получать элементыDataset, область действияDataset.from_generator()должна быть ограничена логикой, которую нельзя выразить с помощью операций tf.data. Использование операций tf.data внутри функции-генератора является антипаттерном и может привести к увеличению потребления памяти.
| Аргументы | |
|---|---|
generator | Объект вызываемого типа, возвращающий объект, поддерживающий протокол iter(). Если args не указан, generator не должен принимать аргументов; в противном случае он должен принимать столько аргументов, сколько значений в args. |
output_types | (Необязательно.) (Вложенная) структура объектов tf.DType, соответствующих каждому компоненту элемента, возвращаемого функцией generator. |
output_shapes | (Необязательно.) (Вложенная) структура объектов tf.TensorShape, соответствующих каждому компоненту элемента, возвращаемого функцией generator. |
args | (Необязательно.) Кортеж объектов tf.Tensor, которые будут вычислены и переданы функции generator в качестве аргументов массивов NumPy. |
output_signature | (Необязательно.) (Вложенная) структура объектов tf.TypeSpec, соответствующих каждому компоненту элемента, возвращаемого функцией generator. |
name | (Необязательно.) Имя для операций tf.data, используемых функцией from_generator. |
| Возвращаемое значение | |
|---|---|
Dataset | Объект Dataset. |
from_tensor_slices
@staticmethod
from_tensor_slices(
tensors, name=None
) -> 'DatasetV2'
Создаёт Dataset, элементы которого являются срезами заданных тензоров.
Заданные тензоры нарезаются по первому измерению. Эта операция сохраняет структуру входных тензоров, удаляя первое измерение каждого тензора и используя его в качестве измерения набора данных. Все входные тензоры должны иметь одинаковый размер в 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, и выполнение в режиме eager отключено, значения будут встроены в граф как одна или несколько операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к потере памяти и столкновениям с ограничениями по размеру сериализации графа. Если tensors содержит один или несколько больших массивов NumPy, рассмотрите альтернативу, описанную в этом руководстве.
| Аргументы | |
|---|---|
tensors | Элемент набора данных, компоненты которого имеют одинаковое первое измерение. Поддерживаемые значения описаны здесь. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset | Объект Dataset. |
from_tensors
@staticmethod
from_tensors(
tensors, name=None
) -> 'DatasetV2'
Создаёт Dataset с одним элементом, состоящим из заданных тензоров.
from_tensors создаёт набор данных, содержащий только один элемент. Чтобы разбить входной тензор на несколько элементов, используйте from_tensor_slices.
dataset = tf.data.Dataset.from_tensors([1, 2, 3]) list(dataset.as_numpy_iterator()) [array([1, 2, 3], dtype=int32)] dataset = tf.data.Dataset.from_tensors(([1, 2, 3], 'A')) list(dataset.as_numpy_iterator()) [(array([1, 2, 3], dtype=int32), b'A')]
# You can use `from_tensors` to produce a dataset which repeats # the same example many times. example = tf.constant([1,2,3]) dataset = tf.data.Dataset.from_tensors(example).repeat(2) list(dataset.as_numpy_iterator()) [array([1, 2, 3], dtype=int32), array([1, 2, 3], dtype=int32)]
Обратите внимание, что если tensors содержит массив NumPy, и выполнение в режиме eager отключено, значения будут встроены в граф как одна или несколько операций tf.constant. Для больших наборов данных (> 1 ГБ) это может привести к потере памяти и столкновениям с ограничениями по размеру сериализации графа. Если tensors содержит один или несколько больших массивов NumPy, рассмотрите альтернативу, описанную в этом руководстве.
| Аргументы | |
|---|---|
tensors | Элемент набора данных. Поддерживаемые значения описаны здесь. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset | Объект 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-из», без создания итератора. Это упрощает преобразование данных над тензорами, используя оптимизированную абстракцию tf.data.Dataset поверх них.
Например, рассмотрим preprocessing_fn, который принимает на вход сырые 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. Далее каждый из raw_feature был преобразован с помощью preprocessing_fn, а обработанные признаки были объединены в одну партию. Результирующий dataset содержит только один элемент, который представляет собой 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() для пропуска этапа создания итератора и непосредственного вывода партии признаков.
Это может быть особенно полезно, когда преобразования тензоров выражены как операции tf.data.Dataset, и вы хотите использовать эти преобразования при обслуживании вашей модели.
Keras
model = ... # A pre-built or custom model
class PreprocessingModel(tf.keras.Model):
def __init__(self, model):
super().__init__(self)
self.model = model
@tf.function(input_signature=[...])
def serving_fn(self, data):
ds = tf.data.Dataset.from_tensor_slices(data)
ds = ds.map(preprocessing_fn, num_parallel_calls=BATCH_SIZE)
ds = ds.batch(batch_size=BATCH_SIZE)
return tf.argmax(self.model(ds.get_single_element()), axis=-1)
preprocessing_model = PreprocessingModel(model)
your_exported_model_dir = ... # save the model to this path.
tf.saved_model.save(preprocessing_model, your_exported_model_dir,
signatures={'serving_default': preprocessing_model.serving_fn}
)
| Аргументы | |
|---|---|
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Вложенная структура объектов tf.Tensor, соответствующая единственному элементу dataset. |
| Исключения | |
|---|---|
InvalidArgumentError | (во время выполнения) если dataset не содержит ровно один элемент. |
group_by_window
group_by_window(
key_func, reduce_func, window_size=None, window_size_func=None, name=None
) -> 'DatasetV2'
Группирует окна элементов по ключу и выполняет их сокращение.
Это преобразование сопоставляет каждый последовательный элемент в наборе данных с ключом с помощью функции key_func и группирует элементы по ключу. Затем оно применяет функцию reduce_func к не более чем window_size_func(key) элементам, соответствующим одному и тому же ключу. Все, кроме конечного окна для каждого ключа, будут содержать window_size_func(key) элементов; конечное окно может быть меньше.
Вы можете указать либо постоянное значение window_size, либо размер окна, определяемый ключом через функцию 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, определяемыми параметрами 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.int64 тензор, представляющий количество последовательных элементов, соответствующих одному и тому же ключу, для объединения в одну партию, которая будет передана функции reduce_func. Взаимоисключительно с window_size_func. |
window_size_func | Функция, сопоставляющая ключ со скалярным tf.int64 тензором, представляющим количество последовательных элементов, соответствующих одному и тому же ключу, для объединения в одну партию, которая будет передана функции reduce_func. Взаимоисключительно с window_size. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Возбуждает | |
|---|---|
ValueError | если ни один, ни оба из {window_size, window_size_func} не переданы. |
ignore_errors
ignore_errors(
log_warning=False, name=None
) -> 'DatasetV2'
Удаляет элементы, вызывающие ошибки.
dataset = tf.data.Dataset.from_tensor_slices([1., 2., 0., 4.]) dataset = dataset.map(lambda x: tf.debugging.check_numerics(1. / x, "")) list(dataset.as_numpy_iterator()) Traceback (most recent call last): InvalidArgumentError: ... Tensor had Inf values dataset = dataset.ignore_errors() list(dataset.as_numpy_iterator()) [1.0, 0.5, 0.25]
| Аргументы | |
|---|---|
log_warning | (Необязательно.) Логический флаг, указывающий, должны ли игнорируемые ошибки записываться в stderr. По умолчанию False. |
name | (Необязательно.) Строка, указывающая 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 переплетает результаты.
Тип подписи:
def interleave( self: Dataset[T], map_func: Callable[[T], Dataset[S]] ) -> Dataset[S]
Например, вы можете использовать Dataset.interleave() для одновременной обработки многих входных файлов:
# Preprocess 4 files concurrently, and interleave blocks of 16 records
# from each file.
filenames = ["/var/data/file1.txt", "/var/data/file2.txt",
"/var/data/file3.txt", "/var/data/file4.txt"]
dataset = tf.data.Dataset.from_tensor_slices(filenames)
def parse_fn(filename):
return tf.data.Dataset.range(10)
dataset = dataset.interleave(lambda x:
tf.data.TextLineDataset(x).map(parse_fn, num_parallel_calls=1),
cycle_length=4, block_length=16)Аргументы cycle_length и block_length управляют порядком получения элементов. cycle_length управляет количеством входных элементов, обрабатываемых одновременно. Если вы установите cycle_length в 1, это преобразование будет обрабатывать по одному входному элементу за раз, и даст те же результаты, что и tf.data.Dataset.flat_map. В общем, это преобразование применит map_func к cycle_length входным элементам, откроет итераторы на возвращённых Dataset объектах, и проциклится 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, генерируемых этим преобразованием, детерминирован, еслиmap_funcявляется чистой функцией иdeterministic=True. Еслиmap_funcсодержит какие-либо состоятельные операции, порядок доступа к этому состоянию не определён.
Производительность часто может быть улучшена путём установки num_parallel_calls, чтобы interleave использовал несколько потоков для извлечения элементов. Если детерминизм не требуется, это также может улучшить производительность, установив deterministic=False.
filenames = ["/var/data/file1.txt", "/var/data/file2.txt",
"/var/data/file3.txt", "/var/data/file4.txt"]
dataset = tf.data.Dataset.from_tensor_slices(filenames)
dataset = dataset.interleave(lambda x: tf.data.TFRecordDataset(x),
cycle_length=4, num_parallel_calls=tf.data.AUTOTUNE,
deterministic=False)| Аргументы | |
|---|---|
map_func | Функция, 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, каково оно должно быть, на основе доступных процессоров. Если num_parallel_calls установлено на tf.data.AUTOTUNE, аргумент cycle_length определяет максимальную степень параллелизма. |
block_length | (Необязательно.) Количество последовательных элементов, которые должны быть получены от каждого входного элемента, прежде чем перейти к другому входному элементу. Если не указано, по умолчанию 1. |
num_parallel_calls | (Необязательно.) Если указано, реализация создаёт пул потоков, который используется для асинхронного и параллельного извлечения входов из циклических элементов. По умолчанию поведение заключается в синхронном извлечении входов из циклических элементов без параллелизма. Если используется значение tf.data.AUTOTUNE, то количество параллельных вызовов устанавливается динамически на основе доступных процессоров. |
deterministic | (Необязательно.) Когда num_parallel_calls указано, если этот логический флаг указан (True или False), он управляет порядком, в котором преобразование генерирует элементы. Если установлено на False, преобразованию разрешается выводить элементы вне порядка, чтобы поменять детерминизм на производительность. Если не указано, опция tf.data.Options.deterministic (True по умолчанию) управляет поведением. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращает | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
list_files
@staticmethod
list_files(
file_pattern, shuffle=None, seed=None, name=None
) -> 'DatasetV2'
Набор данных всех файлов, соответствующих одному или нескольким шаблонам glob.
Аргумент file_pattern должен быть небольшим количеством шаблонов glob. Если имена файлов уже были обработаны с помощью glob, используйте Dataset.from_tensor_slices(filenames) вместо этого, так как повторная обработка каждого имени файла с помощью list_files может привести к плохой производительности при работе с удалёнными хранилищами.
Примечание: По умолчанию этот метод возвращает имена файлов в не детерминированном случайном отсортированном порядке. Передайтеseedилиshuffle=False, чтобы получить результаты в детерминированном порядке.
| Пример | |
|---|---|
Если у нас есть следующие файлы в нашей файловой системе:
Если мы передадим "/path/to/dir/*.py" в качестве каталога, набор данных выведет:
|
| Аргументы | |
|---|---|
file_pattern | Строка, список строк или тензор типа строка (скаляр или вектор), представляющие шаблон(ы) имени файла glob (т.е. символы подстановки оболочки), которые будут сопоставлены. |
shuffle | (Необязательно.) Если True, имена файлов будут случайным образом перемешаны. По умолчанию True. |
seed | (Необязательно.) Скалярный тензор типа tf.int64, представляющий случайное семя, которое будет использовано для создания распределения. См. tf.random.set_seed для поведения. |
name | Необязательно. Имя операций tf.data, используемых list_files. |
| Возвращает | |
|---|---|
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 использовалась опция по умолчанию фрагментирования сохранённого набора данных, порядок элементов в сохранённом наборе данных сохранится при его загрузке.
Аргумент reader_func может быть использован для указания пользовательского порядка, в котором элементы должны быть загружены из отдельных фрагментов. reader_func ожидает единственный аргумент — набор данных наборов данных, каждый из которых содержит элементы одного из фрагментов — и возвращает набор данных элементов. Например, порядок фрагментов может быть перемешан 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 предоставлено, используется вложенная структура tf.TypeSpec, сохранённая с сохранённым набором данных. Обратите внимание, что этот аргумент необходим в режиме графа. |
compression | Необязательно. Алгоритм, используемый для распаковки данных при их чтении. Поддерживаемые варианты — GZIP и NONE. По умолчанию NONE. |
reader_func | Необязательно. Функция для управления чтением данных из фрагментов. Если она присутствует, функция будет отслеживаться и выполняться как вычисление графа. |
| Возвращает | |
|---|---|
Экземпляр tf.data.Dataset. |
| Исключения | |
|---|---|
FileNotFoundError | Если element_spec не указан, и сохранённая вложенная структура tf.TypeSpec не может быть найдена с помощью сохранённого набора 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 функцию map_func ко всем элементам этого набора данных.
Это преобразование применяет функцию map_func к каждому элементу этого набора данных и возвращает новый набор данных, содержащий преобразованные элементы в том же порядке, что и во входном наборе данных. map_func может использоваться для изменения как значений, так и структуры элементов набора данных. Поддерживаемые структуры данных документированы здесь.
Например, map может использоваться для добавления 1 к каждому элементу или для проекции подмножества компонентов элемента.
dataset = Dataset.range(1, 6) # ==> [ 1, 2, 3, 4, 5 ] dataset = dataset.map(lambda x: x + 1) list(dataset.as_numpy_iterator()) [2, 3, 4, 5, 6]
Подпись входных данных для map_func определяется структурой каждого элемента в этом наборе данных.
dataset = Dataset.range(5) # `map_func` takes a single argument of type `tf.Tensor` with the same # shape and dtype. result = dataset.map(lambda x: x + 1)
# Each element is a tuple containing two `tf.Tensor` objects.
elements = [(1, "foo"), (2, "bar"), (3, "baz")]
dataset = tf.data.Dataset.from_generator(
lambda: elements, (tf.int32, tf.string))
# `map_func` takes two arguments of type `tf.Tensor`. This function
# projects out just the first component.
result = dataset.map(lambda x_int, y_str: x_int)
list(result.as_numpy_iterator())
[1, 2, 3]# Each element is a dictionary mapping strings to `tf.Tensor` objects.
elements = ([{"a": 1, "b": "foo"},
{"a": 2, "b": "bar"},
{"a": 3, "b": "baz"}])
dataset = tf.data.Dataset.from_generator(
lambda: elements, {"a": tf.int32, "b": tf.string})
# `map_func` takes a single argument of type `dict` with the same keys
# as the elements.
result = dataset.map(lambda d: str(d["a"]) + d["b"])Значение или значения, возвращаемые map_func, определяют структуру каждого элемента в возвращаемом наборе данных.
dataset = tf.data.Dataset.range(3) # `map_func` returns two `tf.Tensor` objects. def g(x): return tf.constant(37.0), tf.constant(["Foo", "Bar", "Baz"]) result = dataset.map(g) result.element_spec (TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(3,), dtype=tf.string, name=None)) # Python primitives, lists, and NumPy arrays are implicitly converted to # `tf.Tensor`. def h(x): return 37.0, ["Foo", "Bar"], np.array([1.0, 2.0], dtype=np.float64) result = dataset.map(h) result.element_spec (TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.string, name=None), TensorSpec(shape=(2,), dtype=tf.float64, name=None)) # `map_func` can return nested structures. def i(x): return (37.0, [42, 16]), "foo" result = dataset.map(i) result.element_spec ((TensorSpec(shape=(), dtype=tf.float32, name=None), TensorSpec(shape=(2,), dtype=tf.int32, name=None)), TensorSpec(shape=(), dtype=tf.string, name=None))
map_func может принимать в качестве аргументов и возвращать любой тип элемента набора данных.
Обратите внимание, что независимо от контекста, в котором определяется map_func (стремительный или граф), tf.data отслеживает функцию и выполняет её как граф. Чтобы использовать код Python внутри функции, у вас есть несколько вариантов:
1) Используйте AutoGraph для преобразования кода Python в эквивалентное вычисление графа. Недостатком этого подхода является то, что AutoGraph может преобразовать некоторые, но не все фрагменты кода Python.
2) Используйте tf.py_function, что позволяет писать произвольный код Python, но, как правило, приводит к худшей производительности по сравнению с 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 писать произвольный код Python. Обратите внимание, что tf.py_function принимает tf.Tensor, в то время как tf.numpy_function принимает массивы NumPy и возвращает только массивы NumPy. Например:
d = tf.data.Dataset.from_tensor_slices(['hello', 'world'])
def upper_case_fn(t: np.ndarray):
return t.decode('utf-8').upper()
d = d.map(lambda x: tf.numpy_function(func=upper_case_fn,
inp=[x], Tout=tf.string))
list(d.as_numpy_iterator())
[b'HELLO', b'WORLD']Обратите внимание, что использование tf.numpy_function и tf.py_function в целом исключает возможность параллельного выполнения пользовательских преобразований (из-за блокировки интерпретатора Python).
Производительность часто можно улучшить, установив num_parallel_calls, чтобы map использовало несколько потоков для обработки элементов. Если порядок элементов не важен, 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, выдаваемых этим преобразованием, детерминирован, если deterministic=True. Если map_func содержит операции состояния, и num_parallel_calls > 1, порядок, в котором эти состояния обращаются, не определён, поэтому значения выходных элементов могут быть не детерминированы 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, которые должны обрабатываться асинхронно параллельно. Если не указано, элементы будут обрабатываться последовательно. Если используется значение tf.data.AUTOTUNE, то количество параллельных вызовов устанавливается динамически на основе доступных процессоров CPU. |
deterministic | (Необязательно.) Если num_parallel_calls указано, если этот булев параметр указан (True или False), он управляет порядком, в котором преобразование генерирует элементы. Если он установлен на False, преобразование разрешается выдавать элементы вне порядка, чтобы пожертвовать детерминированностью ради производительности. Если не указано, поведение управляется опцией tf.data.Options.deterministic (True по умолчанию). |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
options
options()
Возвращает параметры для этого набора данных и его входных данных.
| Возвращаемое значение | |
|---|---|
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 отпакованные 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 является False). Если ваша программа зависит от того, что пакеты имеют одинаковое внешнее измерение, вы должны установить аргумент drop_remainder на True, чтобы предотвратить создание меньшего пакета.
В отличие от tf.data.Dataset.batch, входные элементы для пакетирования могут иметь разные формы, и это преобразование дополнит каждый компонент до соответствующей формы в padded_shapes. Аргумент padded_shapes определяет результирующую форму для каждого измерения каждого компонента в элементе вывода:
- Если измерение является константой, компонент будет дополнен до этой длины в этом измерении.
- Если измерение неизвестно, компонент будет дополнен до максимальной длины всех элементов в этом измерении.
A = (tf.data.Dataset
.range(1, 5, output_type=tf.int32)
.map(lambda x: tf.fill([x], x)))
# Pad to the smallest per-batch size that fits all elements.
B = A.padded_batch(2)
for element in B.as_numpy_iterator():
print(element)
[[1 0]
[2 2]]
[[3 3 3 0]
[4 4 4 4]]
# Pad to a fixed size.
C = A.padded_batch(2, padded_shapes=5)
for element in C.as_numpy_iterator():
print(element)
[[1 0 0 0 0]
[2 2 0 0 0]]
[[3 3 3 0 0]
[4 4 4 4 0]]
# Pad with a custom value.
D = A.padded_batch(2, padded_shapes=5, padding_values=-1)
for element in D.as_numpy_iterator():
print(element)
[[ 1 -1 -1 -1 -1]
[ 2 2 -1 -1 -1]]
[[ 3 3 3 -1 -1]
[ 4 4 4 4 -1]]
# Components of nested elements can be padded independently.
elements = [([1, 2, 3], [10]),
([4, 5], [11, 12])]
dataset = tf.data.Dataset.from_generator(
lambda: iter(elements), (tf.int32, tf.int32))
# Pad the first component of the tuple to length 4, and the second
# component to the smallest size that fits.
dataset = dataset.padded_batch(2,
padded_shapes=([4], [None]),
padding_values=(-1, 100))
list(dataset.as_numpy_iterator())
[(array([[ 1, 2, 3, -1], [ 4, 5, -1, -1]], dtype=int32),
array([[ 10, 100], [ 11, 12]], dtype=int32))]
# Pad with a single value and multiple components.
E = tf.data.Dataset.zip((A, A)).padded_batch(2, padding_values=-1)
for element in E.as_numpy_iterator():
print(element)
(array([[ 1, -1],
[ 2, 2]], dtype=int32), array([[ 1, -1],
[ 2, 2]], dtype=int32))
(array([[ 3, 3, 3, -1],
[ 4, 4, 4, 4]], dtype=int32), array([[ 3, 3, 3, -1],
[ 4, 4, 4, 4]], dtype=int32))См. также tf.data.experimental.dense_to_sparse_batch, который объединяет элементы, которые могут иметь разные формы, в tf.sparse.SparseTensor.
| Аргументы | |
|---|---|
batch_size | tf.int64 скалярный 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 тензорных объектов, представляющих форму, до которой должен дополняться соответствующий компонент каждого входного элемента перед объединением в пакет. Любые неизвестные измерения будут дополнены до максимального размера этого измерения в каждом пакете. padded_shapes должна быть установлена, если у какого-либо компонента неизвестный ранг. |
padding_values | (Необязательно.) (Вложенная) структура скалярных tf.Tensor, представляющая значения заполнения, которые нужно использовать для соответствующих компонентов. None означает, что (вложенная) структура должна быть дополнена значениями по умолчанию. Значения по умолчанию — 0 для числовых типов и пустая строка для строковых типов. padding_values должна иметь ту же (вложенную) структуру, что и входной набор данных. Если padding_values — это один элемент, а входной набор данных имеет несколько компонентов, то один и тот же padding_values будет использоваться для заполнения каждого компонента набора данных. Если padding_values — скаляр, его значение будет распространено, чтобы соответствовать форме каждого компонента. |
drop_remainder | (Необязательно.) tf.bool скалярный tf.Tensor, представляющий, следует ли отбросить последний пакет в случае, если он содержит меньше, чем batch_size элементов; поведение по умолчанию — не отбрасывать меньший пакет. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
ValueError | Если у компонента неизвестный ранг, и аргумент padded_shapes не установлен. |
TypeError | Если компонент имеет недопустимый тип. Список поддерживаемых типов документирован в https://www.tensorflow.org/guide/data#dataset_structure |
prefetch
prefetch(
buffer_size, name=None
) -> 'DatasetV2'
Создаёт Dataset, который предварительно извлекает элементы из этого набора данных.
Большинство входных конвейеров наборов данных должны заканчиваться вызовом к prefetch. Это позволяет подготовить последующие элементы, пока обрабатывается текущий элемент. Это часто улучшает задержку и пропускную способность, но за счёт использования дополнительной памяти для хранения предварительно извлеченных элементов.
Примечание: Как и другиеDatasetметоды, prefetch оперирует элементами входного набора данных. Он не имеет понятия о примерах и пакетах.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 | Скалярный tf.int64 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 для преобразования tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с примененным преобразованием, как описано выше. |
ragged_batch
ragged_batch(
batch_size,
drop_remainder=False,
row_splits_dtype=tf.dtypes.int64,
name=None
) -> 'DatasetV2'
Объединяет последовательные элементы этого набора данных в tf.RaggedTensor.
Как и tf.data.Dataset.batch, компоненты результирующего элемента будут иметь дополнительное внешнее измерение, которое будет batch_size (или N % batch_size для последнего элемента, если batch_size не делит количество входных элементов N равномерно и drop_remainder является False). Если ваша программа зависит от того, чтобы пакеты имели одинаковое внешнее измерение, вы должны установить аргумент drop_remainder в True, чтобы предотвратить создание меньшего пакета.
В отличие от tf.data.Dataset.batch, входные элементы для объединения в пакет могут иметь разные формы:
- Если входной элемент является
tf.Tensor, чья статическаяtf.TensorShapeполностью определена, то он объединяется в пакет в обычном режиме. - Если входной элемент является
tf.Tensor, чья статическаяtf.TensorShapeсодержит одну или несколько осей с неизвестным размером (т. е.,shape[i]=None), то выход будет содержатьtf.RaggedTensor, который разбит по любым из таких измерений. - Если входной элемент является
tf.RaggedTensorили любого другого типа, то он объединяется в пакет в обычном режиме.
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; поведение по умолчанию — не отбрасывать меньший пакет. |
row_splits_dtype | Тип данных, который следует использовать для row_splits любых новых разрозненных 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'
Создаёт Dataset псевдослучайных значений.
Набор данных генерирует последовательность целочисленных значений, равномерно распределённых.
rerandomize_each_iteration управляет тем, должна ли последовательность генерируемых случайных чисел перегенерироваться 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 задано, 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'
Создаёт Dataset диапазона значений с заданным шагом.
list(Dataset.range(5).as_numpy_iterator()) [0, 1, 2, 3, 4] list(Dataset.range(2, 5).as_numpy_iterator()) [2, 3, 4] list(Dataset.range(1, 5, 2).as_numpy_iterator()) [1, 3] list(Dataset.range(1, 5, -2).as_numpy_iterator()) [] list(Dataset.range(5, 1).as_numpy_iterator()) [] list(Dataset.range(5, 1, -2).as_numpy_iterator()) [5, 3] list(Dataset.range(2, 5, output_type=tf.int32).as_numpy_iterator()) [2, 3, 4] list(Dataset.range(1, 5, 2, output_type=tf.float32).as_numpy_iterator()) [1.0, 3.0]
| Аргументы | |
|---|---|
*args | соответствует 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'
Создаёт Dataset, который повторно объединяет 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 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 для создания. Если этот аргумент является вектором, эти значения перебираются по кругу. |
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; поведение по умолчанию — не отбрасывать меньший пакет. |
name | (Необязательно.) Имя для операции tf.data. |
| Возвращаемое значение | |
|---|---|
Dataset скалярных элементов dtype. |
reduce
reduce(
initial_state, reduce_func, name=None
)
Сводит входной набор данных к одному элементу.
Преобразование вызывает reduce_func последовательно на каждом элементе входного набора данных, пока набор данных не исчерпан, агрегируя информацию во внутренней совокупности. Аргумент initial_state используется для начального состояния, а конечное состояние возвращается как результат.
tf.data.Dataset.range(5).reduce(np.int64(0), lambda x, _: x + 1).numpy() 5 tf.data.Dataset.range(5).reduce(np.int64(0), lambda x, y: x + y).numpy() 10
| Аргументы | |
|---|---|
initial_state | Элемент, представляющий начальное состояние преобразования. |
reduce_func | Функция, которая сопоставляет (old_state, input_element) на new_state. Она должна принимать два аргумента и возвращать новый элемент. Структура new_state должна соответствовать структуре initial_state. |
name | (Необязательно.) Имя 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 отклонять 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 составляет примерно 0,6, а one составляет 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 составляет примерно 0,5, а one составляет примерно 0,5.
| Аргументы | |
|---|---|
class_func | Функция, сопоставляющая элемент входного набора данных со скалярным тензором tf.int32. Значения должны быть в [0, num_classes). |
target_dist | Тензор с плавающей точкой, имеющий форму [num_classes]. |
initial_dist | (Необязательно.) Тензор с плавающей точкой, имеющий форму [num_classes]. Если не предоставлено, истинное распределение классов оценивается в режиме реального времени в потоковом режиме. |
seed | (Необязательно.) Целое число Python для семян перевыборки. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
repeat
repeat(
count=None, name=None
) -> 'DatasetV2'
Повторяет этот набор данных так, чтобы каждое исходное значение наблюдалось 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 вывод не является детерминированным (например, из-за upstream shuffle), то различные повторения могут производить различные элементы.
| Аргументы | |
|---|---|
count | (Необязательно.) Скалярный тензор tf.int64 типа tf.Tensor, представляющий количество раз, которое следует повторить набор данных. По умолчанию (если count равно None или -1) набор данных повторяется неограниченно. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
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'
Случайным образом выбирает элементы из наборов данных в datasets.
Создаёт набор данных путём переплетения элементов из datasets с weight[i] вероятностью выбора элемента из набора данных i. Выборка выполняется без повторения. 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])
Один из возможных результатов 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 точкой, где weights[i] представляет вероятность выбора из datasets[i], или объект tf.data.Dataset, где каждый элемент — такой список. По умолчанию распределение равномерное по datasets. |
seed | (Необязательно.) Скалярный тензор tf.int64 типа tf.Tensor, представляющий семена случайности, которые будут использоваться для создания распределения. См. tf.random.set_seed для поведения. |
stop_on_empty_dataset | Если True, выборка останавливается, если встречает пустой набор данных. Если False, выборка продолжается и пропускает любые пустые наборы данных. Рекомендуется установить в True. В противном случае распределение выборок изначально такое, как планировал пользователь, но может измениться по мере того, как входные наборы данных становятся пустыми. Это может быть трудно обнаружить, так как набор данных на начальном этапе выглядит правильно. По умолчанию False для обратной совместимости. |
rerandomize_each_iteration | (Необязательно.) Логическое значение. Управляет тем, будет ли пересчитываться последовательность случайных чисел, используемых для определения набора данных, из которого будет выбираться элемент, каждый эпохой. То есть определяет, будут ли наборы данных выбираться в одном и том же порядке в разных эпохах (поведение по умолчанию) или нет. |
| Возвращаемое значение | |
|---|---|
Набор данных, который случайным образом переплетает элементы из datasets в соответствии с weights, если указано, в противном случае — с равномерной вероятностью. |
| 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 выходные данные набора данных разбиваются на фрагменты по круговому методу, но можно указать пользовательское разбиение на фрагменты с помощью функции shard_func. Например, можно сохранить набор данных в одном фрагменте 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 каталога и формат файлов, используемые для сохранения набора данных, считаются деталями реализации и могут изменяться. По этой причине наборы данных, сохранённые с помощьюtf.data.Dataset.save, должны потребляться только черезtf.data.Dataset.load, который гарантирует обратную совместимость.
| Аргументы | |
|---|---|
path | Обязательный. Каталог для сохранения набора данных. |
compression | Необязательно. Алгоритм сжатия данных при записи. Поддерживаемые варианты — GZIP и NONE. По умолчанию NONE. |
shard_func | Необязательно. Функция для управления сопоставлением элементов набора данных с файловыми фрагментами. Функция должна сопоставлять элементы входного набора данных с идентификаторами фрагментов int64. При наличии функция будет прослеживаться и выполняться как вычисление графа. |
checkpoint_args | Необязательные аргументы для контрольных точек, которые будут переданы в tf.train.CheckpointManager. Если checkpoint_args не указаны, контрольные точки не будут создаваться. Реализация save() создаёт объект tf.train.Checkpoint внутри, поэтому пользователи не должны указывать аргумент checkpoint в checkpoint_args. |
| Возвращаемое значение | |
|---|---|
| Операция, которая при выполнении выполняет сохранение. При записи контрольных точек возвращает None. Значение возврата полезно для тестирования модулей. |
| Исключения | |
|---|---|
ValueError, если checkpoint передаётся в checkpoint_args. |
scan
scan(
initial_state, scan_func, name=None
) -> 'DatasetV2'
Преобразование, которое применяет функцию к входному набору данных.
Это состоятельное преобразование по аналогии с tf.data.Dataset.map. Помимо применения scan_func к элементам входного набора данных, scan() накапливает один или несколько тензоров состояния, начальные значения которых initial_state.
dataset = tf.data.Dataset.range(10) initial_state = tf.constant(0, dtype=tf.int64) scan_func = lambda state, i: (state + i, state + i) dataset = dataset.scan(initial_state=initial_state, scan_func=scan_func) list(dataset.as_numpy_iterator()) [0, 1, 3, 6, 10, 15, 21, 28, 36, 45]
| Аргументы | |
|---|---|
initial_state | Вложенная структура тензоров, представляющая начальное состояние аккумулятора. |
scan_func | Функция, которая отображает (old_state, input_element) на (new_state, output_element). Она должна принимать два аргумента и возвращать пару вложенных структур тензоров. Структура new_state должна совпадать со структурой initial_state. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
shard
shard(
num_shards, index, name=None
) -> 'DatasetV2'
Создаёт Dataset, содержащий только 1/num_shards элементов этого набора данных.
shard является детерминированным. Набор данных, созданный функцией A.shard(n, i), будет содержать все элементы A, индекс которых при делении на n даёт остаток i.
A = tf.data.Dataset.range(10) B = A.shard(num_shards=3, index=0) list(B.as_numpy_iterator()) [0, 3, 6, 9] C = A.shard(num_shards=3, index=1) list(C.as_numpy_iterator()) [1, 4, 7] D = A.shard(num_shards=3, index=2) list(D.as_numpy_iterator()) [2, 5, 8]
Этот оператор набора данных очень полезен при распределённом обучении, так как он позволяет каждому узлу 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 данные до применения любого оператора случайного выбора (такого как shuffle).
- Обычно лучше использовать оператор shard в начале конвейера набора данных. Например, при чтении из набора файлов TFRecord, разделите данные перед преобразованием набора данных в образцы ввода. Это предотвращает чтение каждого файла на каждом узле. Ниже приведён пример эффективной стратегии разделения данных внутри полного конвейера:
d = Dataset.list_files(pattern, shuffle=False)
d = d.shard(num_workers, worker_index)
d = d.repeat(num_epochs)
d = d.shuffle(shuffle_buffer_size)
d = d.interleave(tf.data.TFRecordDataset,
cycle_length=num_readers, block_length=1)
d = d.map(parser_fn, num_parallel_calls=num_map_threads)
| Аргументы | |
|---|---|
num_shards | Скалярный тензор типа tf.int64, представляющий количество фрагментов, работающих параллельно. |
index | Скалярный тензор типа tf.int64, представляющий индекс узла. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
| Исключения | |
|---|---|
InvalidArgumentError | если num_shards или index имеют недопустимые значения. Примечание: проверка ошибок выполняется в лучшем случае, и ошибки не гарантированы при создании набора данных. (Например, предоставление тензора-заполнителя обходит раннюю проверку, и вместо этого вызовет ошибку при вызове 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, больше или равный полному размеру набора данных.
Например, если ваш набор данных содержит 10 000 элементов, но buffer_size установлено в 1000, тогда shuffle сначала выберет случайный элемент только из первых 1000 элементов в буфере. После выбора элемента, его место в буфере заполняется следующим элементом (т.е. 1001-м), сохраняя буфер из 1000 элементов.
reshuffle_each_iteration управляет тем, будет ли порядок перемешивания отличаться для каждой эпохи. В TF 1.X, стандартным способом создания эпох было использование преобразования 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 Python-итерируемыми объектами, что позволяет также создавать эпохи с помощью Python-итерации:
dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=True) list(dataset.as_numpy_iterator()) # [1, 0, 2] list(dataset.as_numpy_iterator()) # [1, 2, 0]
dataset = tf.data.Dataset.range(3) dataset = dataset.shuffle(3, reshuffle_each_iteration=False) list(dataset.as_numpy_iterator()) # [1, 0, 2] list(dataset.as_numpy_iterator()) # [1, 0, 2]
Полное перемешивание всех данных
Чтобы перемешать весь набор данных, установите buffer_size=dataset.cardinality(). Это эквивалентно установлению buffer_size равным числу элементов в наборе данных, что приводит к равномерному перемешиванию.
Примечание: shuffle(dataset.cardinality()) загружает весь набор данных в память, чтобы его можно было перемешать. Это приведёт к ошибке переполнения памяти (OOM), если набор данных слишком велик, поэтому полное перемешивание следует использовать только для наборов данных, которые известны как помещающиеся в память, например, для наборов данных имён файлов или других небольших наборов данных.
dataset = tf.data.Dataset.range(20) dataset = dataset.shuffle(dataset.cardinality()) # [18, 4, 9, 2, 17, 8, 5, 10, 0, 6, 16, 3, 19, 7, 14, 11, 15, 13, 12, 1]
| Аргументы | |
|---|---|
buffer_size | Скалярный тензор типа tf.int64, представляющий количество элементов из этого набора данных, которые будут использоваться для выборки новым набором данных. Для равномерного перемешивания всего набора данных используйте buffer_size=dataset.cardinality(). |
seed | (Необязательно.) Скалярный тензор типа tf.int64, представляющий случайное семя, которое будет использоваться для создания распределения. См. tf.random.set_seed для получения информации о поведении. |
reshuffle_each_iteration | (Необязательно.) Логическое значение, которое, если равно true, указывает, что набор данных должен быть псевдослучайным образом перемешиваем каждый раз, когда по нему итерируются. (По умолчанию True.) |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
skip
skip(
count, name=None
) -> 'DatasetV2'
Создаёт Dataset, пропускающий count элементов из этого набора данных.
dataset = tf.data.Dataset.range(10) dataset = dataset.skip(7) list(dataset.as_numpy_iterator()) [7, 8, 9]
| Аргументы | |
|---|---|
count | Скалярный тензор типа tf.int64, представляющий количество элементов этого набора данных, которые следует пропустить для формирования нового набора данных. Если count больше размера этого набора данных, новый набор данных не будет содержать элементов. Если count равно -1, пропускается весь набор данных. |
name | (Необязательно.) Имя операции tf.data. |
| Возвращаемое значение | |
|---|---|
Новый Dataset с применённым преобразованием, как описано выше. |
snapshot
snapshot(
path,
compression='AUTO',
reader_func=None,
shard_func=None,
name=None
) -> 'DatasetV2'
API для сохранения результата входного набора данных.
API snapshot позволяет пользователям прозрачно сохранять результат своего конвейера предобработки на диске и материализовывать предварительно обработанные данные в другом запуске обучения.
Этот API позволяет объединить многократные шаги предобработки и повторно использовать уже обработанные данные, обменивая хранение на диске и пропускную способность сети на освобождение ресурсов ЦП и вычислительных ресурсов ускорителя.
https://github.com/tensorflow/community/blob/master/rfcs/20200107-tf-data-snapshot.md содержит подробную документацию по проектированию этой функции.
Пользователи могут указать различные параметры для управления поведением snapshot, включая то, как считываются и записываются снимки, передавая пользовательские функции в параметры reader_func и shard_func.
shard_func — это пользовательская функция, которая сопоставляет входные элементы с фрагментами снимка.
Пользователи могут указать эту функцию, чтобы контролировать, как файлы снимка записываются на диск. Ниже приведён пример того, как можно написать потенциальную функцию shard_func.
dataset = ...
dataset = dataset.enumerate()
dataset = dataset.snapshot("/path/to/snapshot/dir",
shard_func=lambda x, y: x % NUM_SHARDS, ...)
dataset = dataset.map(lambda x, y: y)
reader_func — это пользовательская функция, которая принимает один аргумент: (1) набор данных наборов данных, каждый из которых представляет «раздел» элементов исходного набора данных. Мощность входного набора данных соответствует количеству фрагментов, указанных в shard_func (см. выше). Функция должна возвращать набор данных элементов исходного набора данных.
Пользователи могут указать эту функцию, чтобы контролировать, как файлы снимка считываются с диска, включая количество перемешивания и параллелизма.
Вот пример стандартной функции чтения, которую может определить пользователь. Эта функция позволяет перемешивать данные набора данных и параллельно считывать наборы данных:
def user_reader_func(datasets):
# shuffle the datasets splits
datasets = datasets.shuffle(NUM_CORES)
# read datasets in parallel and interleave their elements
return datasets.interleave(lambda x: x, num_parallel_calls=AUTOTUNE)
dataset = dataset.snapshot("/path/to/snapshot/dir",
reader_func=user_reader_func)
По умолчанию snapshot параллелизует чтение с помощью доступного на системе количества ядер, но не будет пытаться перемешивать данные.
| Args | |
|---|---|
path | Обязательно. Каталог для хранения/загрузки моментального снимка. |
compression | Необязательно. Тип сжатия, применяемого к моментальному снимку, записанному на диск. Поддерживаемые варианты — GZIP, SNAPPY, AUTO или None. По умолчанию используется AUTO, который пытается выбрать подходящий алгоритм сжатия для набора данных. |
reader_func | Необязательно. Функция для управления чтением данных из фрагментов моментального снимка. |
shard_func | Необязательно. Функция для управления фрагментацией данных при записи моментального снимка. |
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённой, как описано выше, трансформацией. |
sparse_batch
sparse_batch(
batch_size, row_shape, name=None
) -> 'DatasetV2'
Объединяет последовательные элементы в tf.sparse.SparseTensor.
Подобно трансформации 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 в начале добавляется эффективный размер пакета. Например:
# NOTE: The following examples use `{ ... }` to represent the
# contents of a dataset.
a = { ['a', 'b', 'c'], ['a', 'b'], ['a', 'b', 'c', 'd'] }
a.apply(tf.data.experimental.dense_to_sparse_batch(
batch_size=2, row_shape=[6])) ==
{
([[0, 0], [0, 1], [0, 2], [1, 0], [1, 1]], # indices
['a', 'b', 'c', 'a', 'b'], # values
[2, 6]), # dense_shape
([[0, 0], [0, 1], [0, 2], [0, 3]],
['a', 'b', 'c', 'd'],
[1, 6])
}
| Args | |
|---|---|
batch_size | Скалярный тензор tf.int64, представляющий количество последовательных элементов данного набора данных для объединения в один пакет. |
row_shape | Объект-подобный тензор tf.TensorShape или tf.int64 -вектор, представляющий эквивалентную плотную форму строки в результирующем tf.sparse.SparseTensor. Каждый элемент данного набора данных должен иметь тот же ранг, что и row_shape, и должен иметь размер, меньший или равный row_shape в каждой размерности. |
name | (Необязательно.) Строка, указывающая имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённой, как описано выше, трансформацией. |
take
take(
count, name=None
) -> 'DatasetV2'
Создаёт Dataset с не более чем count элементами из данного набора данных.
dataset = tf.data.Dataset.range(10) dataset = dataset.take(3) list(dataset.as_numpy_iterator()) [0, 1, 2]
| Args | |
|---|---|
count | Скалярный тензор tf.int64, представляющий количество элементов данного набора данных, которые следует взять для формирования нового набора данных. Если count равно -1 или если count больше размера данного набора данных, новый набор данных будет содержать все элементы данного набора данных. |
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённой, как описано выше, трансформацией. |
take_while
take_while(
predicate, name=None
) -> 'DatasetV2'
Трансформация, останавливающая итерацию набора данных на основе predicate.
dataset = tf.data.Dataset.range(10) dataset = dataset.take_while(lambda x: x < 5) list(dataset.as_numpy_iterator()) [0, 1, 2, 3, 4]
| Args | |
|---|---|
predicate | Функция, которая отображает вложенную структуру тензоров (с формами и типами, определёнными self.output_shapes и self.output_types) на скалярный тензор tf.bool. |
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённой, как описано выше, трансформацией. |
unbatch
unbatch(
name=None
) -> 'DatasetV2'
Разделяет элементы набора данных на несколько элементов.
Например, если элементы набора данных имеют форму [B, a0, a1, ...], где B может меняться для каждого входного элемента, то для каждого элемента в наборе данных необработанный набор данных 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 объединённого тензора на меньшие, не объединённые тензоры. При оптимизации производительности старайтесь избегать ненужного использованияunbatch.
| Args | |
|---|---|
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённой, как описано выше, трансформацией. |
unique
unique(
name=None
) -> 'DatasetV2'
Трансформация, отбрасывающая дубликаты элементов набора данных.
Используйте эту трансформацию для получения набора данных, содержащего 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: Эта трансформация поддерживает только наборы данных, которые помещаются в оперативную память, и имеют элементы типаtf.int32,tf.int64илиtf.string.
| Args | |
|---|---|
name | (Необязательно.) Имя операции tf.data. |
| Returns | |
|---|---|
Новый Dataset с применённой, как описано выше, трансформацией. |
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 оценивается как False).
Например:
dataset = tf.data.Dataset.range(7).window(3) for window in dataset: print(window) <...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int64, name=None)> <...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int64, name=None)> <...Dataset element_spec=TensorSpec(shape=(), dtype=tf.int64, name=None)>
Поскольку окна представляют собой наборы 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, которые нужно сдвинуть между началом каждого окна. Если окна и элементы нумеруются, начиная с 0, первый элемент в окне k будет элементом k * shift входного набора данных. В частности, первый элемент первого окна всегда будет первым элементом входного набора данных.
dataset = tf.data.Dataset.range(7).window(3, shift=1,
drop_remainder=True)
for window in dataset:
print(list(window.as_numpy_iterator()))
[0, 1, 2]
[1, 2, 3]
[2, 3, 4]
[3, 4, 5]
[4, 5, 6]Шаг
Аргумент stride определяет шаг между входными элементами внутри окна.
dataset = tf.data.Dataset.range(7).window(3, shift=1, stride=2,
drop_remainder=True)
for window in dataset:
print(list(window.as_numpy_iterator()))
[0, 2, 4]
[1, 3, 5]
[2, 4, 6]Вложенные элементы
При применении трансформации window к набору данных, элементы которого являются вложенными структурами, она создаёт набор данных, где элементы имеют ту же вложенную структуру, но каждый лист заменяется окном. Другими словами, вложение применяется снаружи окон, а не внутри них.
Тип подписи:
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]}Flatten a dataset of windows
The Dataset.flat_map and Dataset.interleave methods can be used to flatten a dataset of windows into a single dataset.
The argument to flat_map is a function that takes an element from the dataset and returns a Dataset. flat_map chains together the resulting datasets sequentially.
For example, to turn each window into a dense tensor:
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]| Args | |
|---|---|
size | A tf.int64 scalar tf.Tensor, representing the number of elements of the input dataset to combine into a window. Must be positive. |
shift | (Optional.) A tf.int64 scalar tf.Tensor, representing the number of input elements by which the window moves in each iteration. Defaults to size. Must be positive. |
stride | (Optional.) A tf.int64 scalar tf.Tensor, representing the stride of the input elements in the sliding window. Must be positive. The default value of 1 means "retain every input element". |
drop_remainder | (Optional.) A tf.bool scalar tf.Tensor, representing whether the last windows should be dropped if their size is smaller than size. |
name | (Optional.) A name for the tf.data operation. |
| Returns | |
|---|---|
A new Dataset with the transformation applied as described above. |
with_options
with_options(
options, name=None
) -> 'DatasetV2'
Returns a new tf.data.Dataset with the given options set.
The options are "global" in the sense they apply to the entire dataset. If options are set multiple times, they are merged as long as different options do not use different non-default values.
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)| Args | |
|---|---|
options | A tf.data.Options that identifies the options the use. |
name | (Optional.) A name for the tf.data operation. |
| Returns | |
|---|---|
A new Dataset with the transformation applied as described above. |
| Raises | |
|---|---|
ValueError | when an option is set more than once to a non-default value |
zip
@staticmethod
zip(
*args, datasets=None, name=None
) -> 'DatasetV2'
Creates a Dataset by zipping together the given datasets.
This method has similar semantics to the built-in `zip` function in Python, with the main difference being that the `datasets` argument can be a (nested) structure of Dataset objects. The supported nesting mechanisms are documented here.
# 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)]| Args | |
|---|---|
*args | Datasets or nested structures of datasets to zip together. This can't be set if `datasets` is set. |
datasets | A (nested) structure of datasets. This can't be set if `datasets` is set. Note that this exists only for backwards compatibility and it is preferred to use *args. |
datasets | (Optional.) A name for the tf.data operation. |
| Returns | |
|---|---|
A new Dataset with the transformation applied as described above. |
__bool__
__bool__()
__iter__
__iter__() -> iterator_ops.OwnedIterator
Creates an iterator for elements of this dataset.
The returned iterator implements the Python Iterator protocol.
| Returns | |
|---|---|
An tf.data.Iterator for the elements of this dataset. |
| Raises | |
|---|---|
RuntimeError | If not inside of tf.function and not executing eagerly. |
__len__
__len__()
Returns the length of the dataset if it is known and finite.
This method requires that you are running in eager mode, and that the length of the dataset is known and non-infinite. When the length may be unknown or infinite, or if you are running in graph mode, use tf.data.Dataset.cardinality instead.
| Returns | |
|---|---|
| An integer representing the length of the dataset. |
| Raises | |
|---|---|
RuntimeError | If the dataset length is unknown or infinite, or if eager execution is not enabled. |
__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/FixedLengthRecordDataset