数据预处理工具
在模型训练和预测阶段,PaddlePaddle程序需要读取训练或预测数据。为了帮助您编写数据读取的代码,我们提供了如下接口:
- reader: 样本级的reader,用于读取数据的函数,数据可来自于文件、网络、随机数生成器等,函数每次返回一个样本数据项。
- reader creator: 接受一个或多个reader作为参数、返回一个新reader的函数。
- reader decorator: 一个函数,接受一个或多个reader,并返回一个reader。
- batch reader: 用于读取数据的函数,数据可来自于文件、网络、随机数生成器等,函数每次返回一个batch大小的数据项。
此外,还提供了将reader转换为batch reader的函数,会频繁用到reader creator和reader decorator。
Data Reader 接口
Data reader不一定要求为读取和遍历数据项的函数。它可以是返回iterable对象(即可以用于for x in iterable
的任意对象)的任意不带参数的函数:
- iterable = data_reader()
Iterable对象应产生单项或tuple形式的数据,而不是一个mini batch的数据。产生的数据项应在支持的类型 中,例如float32,int类型的numpy一维矩阵,int类型的列表等。
以下是实现单项数据reader creator的示例:
- def reader_creator_random_image(width, height):
- def reader():
- while True:
- yield numpy.random.uniform(-1, 1, size=width*height)
- return reader
以下是实现多项数据reader creator的示例:
- def reader_creator_random_image_and_label(width, height, label):
- def reader():
- while True:
- yield numpy.random.uniform(-1, 1, size=width*height), label
- return reader
Batch Reader 接口
Batch reader可以是返回iterable对象(即可以用于for x in iterable
的任意对象)的任意不带参数的函数。Iterable的输出应为一个batch(list)的数据项。list中的每个数据项均为一个tuple元组。
这里是一些有效输出:
- # 三个数据项组成一个mini batch。每个数据项有三列,每列数据项为1。
- [(1, 1, 1),
- (2, 2, 2),
- (3, 3, 3)]
- # 三个数据项组成一个mini batch。每个数据项是一个列表(单列)。
- [([1,1,1],),
- ([2,2,2],),
- ([3,3,3],)]
请注意列表里的每个项必须为tuple,下面是一个无效输出:
- # 错误, [1,1,1]需在一个tuple内: ([1,1,1],).
- # 否则产生歧义,[1,1,1]是否表示数据[1, 1, 1]整体作为单一列。
- # 或者数据的三列,每一列为1。
- [[1,1,1],
- [2,2,2],
- [3,3,3]]
很容易将reader转换成batch reader:
- mnist_train = paddle.dataset.mnist.train()
- mnist_train_batch_reader = paddle.batch(mnist_train, 128)
也可以直接创建一个自定义batch reader:
- def custom_batch_reader():
- while True:
- batch = []
- for i in xrange(128):
- batch.append((numpy.random.uniform(-1, 1, 28*28),)) # note that it's a tuple being appended.
- yield batch
- mnist_random_image_batch_reader = custom_batch_reader
使用
以下是我们如何用PaddlePaddle的reader:
batch reader是从数据项到数据层(data layer)的映射,batch_size和总pass数通过以下方式传给paddle.train
:
- # 创建两个数据层:
- image_layer = paddle.layer.data("image", ...)
- label_layer = paddle.layer.data("label", ...)
- # ...
- batch_reader = paddle.batch(paddle.dataset.mnist.train(), 128)
- paddle.train(batch_reader, {"image":0, "label":1}, 128, 10, ...)
Data Reader装饰器
Data reader decorator接收一个或多个reader对象作为参数,返回一个新的reader对象。它类似于python decorator ,但在语法上不需要写@
。
我们对data reader接口有严格限制(无参数并返回单个数据项),data reader可灵活地搭配data reader decorators使用。以下是一些示例:
预取回数据(缓存数据)
由于读数据需要一些时间,而没有数据无法进行训练,因此一般而言数据预读取会是一个很好的方法。
用paddle.reader.buffered
预读取数据:
- buffered_reader = paddle.reader.buffered(paddle.dataset.mnist.train(), 100)
buffered_reader
将尝试缓存(预读取)100
个数据项。
组成多个Data Reader
例如,如果我们想用实际图像源(也就是复用mnist数据集),和随机图像源作为Generative Adversarial Networks的输入。
我们可以参照如下:
- def reader_creator_random_image(width, height):
- def reader():
- while True:
- yield numpy.random.uniform(-1, 1, size=width*height)
- return reader
- def reader_creator_bool(t):
- def reader():
- while True:
- yield t
- return reader
- true_reader = reader_creator_bool(True)
- false_reader = reader_creator_bool(False)
- reader = paddle.reader.compose(paddle.dataset.mnist.train(), reader_creator_random_image(20, 20), true_reader, false_reader)
- # 跳过1因为paddle.dataset.mnist.train()为每个数据项生成两个项。
- # 并且这里我们暂时不考虑第二项。
- paddle.train(paddle.batch(reader, 128), {"true_image":0, "fake_image": 2, "true_label": 3, "false_label": 4}, ...)
随机排序
给定大小为n
的随机排序缓存, paddle.reader.shuffle
返回一个data reader ,缓存n
个数据项,并在读取一个数据项前进行随机排序。
示例:
- reader = paddle.reader.shuffle(paddle.dataset.mnist.train(), 512)
Q & A
为什么一个reader只返回单项而不是mini batch?
返回单项,可以更容易地复用已有的data reader,例如如果一个已有的reader返回3项而不是一个单项,这样训练代码会更复杂,因为需要处理像batch_size为2这样的例子。
我们提供一个函数来将一个单项reader转换成一个batch reader。
为什么需要一个batch reader,在训练过程中给出reader和batch_size参数这样不足够吗?
在大多数情况下,在训练方法中给出reader和batch_size参数是足够的。但有时用户想自定义mini batch里数据项的顺序,或者动态改变batch_size。在这些情况下用batch reader会非常高效有用。
为什么用字典而不是列表进行映射?
使用字典({"image":0, "label":1}
)而不是列表["image", "label"]
)有利于用户易于复用数据项,例如使用{"image_a":0, "image_b":0, "label":1}
,或者甚至跳过数据项,例如使用{"image_a":0, "label":2}
。
如何创建一个自定义data reader?
- def image_reader_creator(image_path, label_path, n):
- def reader():
- f = open(image_path)
- l = open(label_path)
- images = numpy.fromfile(
- f, 'ubyte', count=n * 28 * 28).reshape((n, 28 * 28)).astype('float32')
- images = images / 255.0 * 2.0 - 1.0
- labels = numpy.fromfile(l, 'ubyte', count=n).astype("int")
- for i in xrange(n):
- yield images[i, :], labels[i] # a single entry of data is created each time
- f.close()
- l.close()
- return reader
- # images_reader_creator创建一个reader
- reader = image_reader_creator("/path/to/image_file", "/path/to/label_file", 1024)