OFRecord 数据格式

OFRecord 数据格式

深度学习应用需要复杂的多阶段数据预处理流水线，数据加载是流水线的第一步，OneFlow 支持多种格式数据的加载，其中 OFRecord 格式是 OneFlow 原生的数据格式。

OFRecord 的格式定义参考了 TensorFlow 的 TFRecord，熟悉 TFRecord 的用户，可以很快上手 OneFlow 的 OFRecord。

本文将介绍：

OFRecord 使用的数据类型
如何将数据转化为 OFRecord 对象并序列化
OFRecord 文件格式

OFRecord 相关数据类型

OneFlow 内部采用Protocol Buffers 描述 OFRecord 的序列化格式。相关的 .proto 文件在 oneflow/core/record/record.proto 中，具体定义如下：

syntax = "proto2";
package oneflow;
message BytesList {
  repeated bytes value = 1;
}
message FloatList {
  repeated float value = 1 [packed = true];
}
message DoubleList {
  repeated double value = 1 [packed = true];
}
message Int32List {
  repeated int32 value = 1 [packed = true];
}
message Int64List {
  repeated int64 value = 1 [packed = true];
}
message Feature {
  oneof kind {
    BytesList bytes_list = 1;
    FloatList float_list = 2;
    DoubleList double_list = 3;
    Int32List int32_list = 4;
    Int64List int64_list = 5;
  }
}
message OFRecord {
  map<string, Feature> feature = 1;
}

我们先对以上的重要数据类型进行解释：

OFRecord: OFRecord 的实例化对象，可用于存储所有需要序列化的数据。它由任意多个 string->Feature 的键值对组成；
Feature: Feature 可存储 BytesList、FloatList、DoubleList、Int32List、Int64List 各类型中的任意一种；
OFRecord、Feature、XXXList 等类型，均由 Protocol Buffers 生成对应的同名接口，使得我们可以在 Python 层面构造对应对象。

转化数据为 Feature 格式

我们可以通过调用 ofrecord.xxxList 及 ofrecord.Feature 将数据转为 Feature 格式，但是为了更加方便，我们需要对 protocol buffers 生成的接口进行简单封装：

import oneflow.core.record.record_pb2 as ofrecord
def int32_feature(value):
    if not isinstance(value, (list, tuple)):
        value = [value]
    return ofrecord.Feature(int32_list=ofrecord.Int32List(value=value))
def int64_feature(value):
    if not isinstance(value, (list, tuple)):
        value = [value]
    return ofrecord.Feature(int64_list=ofrecord.Int64List(value=value))
def float_feature(value):
    if not isinstance(value, (list, tuple)):
        value = [value]
    return ofrecord.Feature(float_list=ofrecord.FloatList(value=value))
def double_feature(value):
    if not isinstance(value, (list, tuple)):
        value = [value]
    return ofrecord.Feature(double_list=ofrecord.DoubleList(value=value))
def bytes_feature(value):
    if not isinstance(value, (list, tuple)):
        value = [value]
    if not six.PY2:
        if isinstance(value[0], str):
            value = [x.encode() for x in value]
    return ofrecord.Feature(bytes_list=ofrecord.BytesList(value=value))

创建 OFRecord 对象并序列化

在下例子中，我们将创建有2个 feature 的 OFRecord 对象，并且调用它的 SerializeToString 方法序列化。

  obserations = 28 * 28
  f = open("./dataset/part-0", "wb")
  for loop in range(0, 3):
      image = [random.random() for x in range(0, obserations)]
      label = [random.randint(0, 9)]
      topack = {
          "images": float_feature(image),
          "labels": int64_feature(label),
      }
      ofrecord_features = ofrecord.OFRecord(feature=topack)
      serilizedBytes = ofrecord_features.SerializeToString()

通过以上例子，我们可以总结序列化数据的步骤：

将需要序列化的数据，通过调用 ofrecord.Feature 及 ofrecord.XXXList 转为 Feature 对象；
将上一步得到的各个 Feature 对象，以 string->Feature 键值对的形式，存放在 Python 字典中；
调用 ofrecord.OFRecord 创建 OFRecord 对象
调用 OFRecord 对象的 SerializeToString 方法得到序列化结果

序列化的结果，可以存为 ofrecord 格式的文件。

OFRecord 格式的文件

将 OFRecord 对象序列化后按 OneFlow 约定的格式存文件，就得到 OFRecord文件 。

1个 OFRecord 文件中可存储多个 OFRecord 对象，OFRecord 文件可用于 OneFlow 数据流水线，具体操作可见加载与准备 OFRecord 数据集

OneFlow 约定，对于每个 OFRecord 对象，用以下格式存储：

uint64 length
byte   data[length]

即头8个字节存入数据长度，然后存入序列化数据本身。

length = ofrecord_features.ByteSize()
f.write(struct.pack("q", length))
f.write(serilizedBytes)

代码

以下完整代码展示如何生成 OFRecord 文件，并调用 protobuf 生成的 OFRecord 接口手工读取 OFRecord 文件中的数据。

实际上，OneFlow 提供了 flow.data.decode_ofrecord 等接口，可以更方便地提取 OFRecord 文件（数据集）中的内容。详细内容请参见加载与准备 OFRecord 数据集。

将 OFRecord 对象写入文件

以下脚本，模拟了3个样本，每个样本为28*28的图片，并且包含对应标签。将三个样本转化为 OFRecord 对象后，按照 OneFlow 约定格式，存入文件。

代码：ofrecord_to_string.py

从 OFRecord 文件中读取数据

以下脚本，读取上例中生成的 OFRecord 文件，调用 FromString 方法反序列化得到 OFRecord 对象，并最终显示数据：

代码：ofrecord_from_string.py