TensorFlow dataset.shuffle、batch、repeat用法

Love The Way You Lie 2022-02-01 08:53 205阅读 0赞

在使用TensorFlow进行模型训练的时候，我们一般不会在每一步训练的时候输入所有训练样本数据，而是通过batch的方式，每一步都随机输入少量的样本数据，这样可以防止过拟合。

所以，对训练样本的shuffle和batch是很常用的操作。

这里再说明一点，为什么需要打乱训练样本即shuffle呢？

**举个例子：比如我们在做一个分类模型，前面部分的样本的标签都是A，后面部分的样本的标签全是B，那你如果不打乱样本顺序的话，就会出现前面训练出来的模型，在预测的时候会偏向于输出A，因为模型一直在标签A的方向拟合，而后面的模型，会偏向于预测B**

直接看代码例子，有详细注释！！

import tensorflow as tf
    import numpy as np
    
    
    d = np.arange(0,60).reshape([6, 10])
    
    # 将array转化为tensor
    data = tf.data.Dataset.from_tensor_slices(d)
    
    # 从data数据集中按顺序抽取buffer_size个样本放在buffer中，然后打乱buffer中的样本
    # buffer中样本个数不足buffer_size，继续从data数据集中安顺序填充至buffer_size，
    # 此时会再次打乱
    data = data.shuffle(buffer_size=3)
    
    # 每次从buffer中抽取4个样本
    data = data.batch(4)
    
    # 将data数据集重复，其实就是2个epoch数据集
    data = data.repeat(2)
    
    # 构造获取数据的迭代器
    iters = data.make_one_shot_iterator()
    
    # 每次从迭代器中获取一批数据
    batch = iters.get_next()
    
    sess = tf.Session()
    
    sess.run(batch)
    # 数据集完成遍历完之后，继续抽取的话会报错：OutOfRangeError

In [21]: d
    Out[21]: 
    array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
           [10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
           [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
           [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
           [40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
           [50, 51, 52, 53, 54, 55, 56, 57, 58, 59]])
    In [22]: sess.run(batch)
    Out[22]: 
    array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
           [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
           [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
           [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]])
    
    In [23]: sess.run(batch)
    Out[23]: 
    array([[40, 41, 42, 43, 44, 45, 46, 47, 48, 49],
           [50, 51, 52, 53, 54, 55, 56, 57, 58, 59]])

从输出结果可以看出：

1.  shuffle是按顺序将数据放入buffer里面的；
2.  当repeat函数在shuffle之后的话，是将一个epoch的数据集抽取完毕，再进行下一个epoch的。

**那么，当repeat函数在shuffle之前会怎么样呢？如下：**

data = data.repeat(2)
    
    data = data.shuffle(buffer_size=3)
    
    data = data.batch(4)

In [25]: sess.run(batch)
    Out[25]: 
    array([[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
           [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
           [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
           [40, 41, 42, 43, 44, 45, 46, 47, 48, 49]])
    
    In [26]: sess.run(batch)
    Out[26]: 
    array([[50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
           [ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
           [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
           [30, 31, 32, 33, 34, 35, 36, 37, 38, 39]])
    
    In [27]: sess.run(batch)
    Out[27]: 
    array([[10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
           [50, 51, 52, 53, 54, 55, 56, 57, 58, 59],
           [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
           [40, 41, 42, 43, 44, 45, 46, 47, 48, 49]])

可以看出，其实它就是先将数据集复制一遍，然后把两个epoch当成同一个新的数据集，一直shuffle和batch下去。

欢迎关注同名公众号：“我就算饿死也不做程序员”。  
交个朋友，一起交流，一起学习，一起进步。  
![在这里插入图片描述][20200430112515812.jpg]

[20200430112515812.jpg]: /images/20220201/291c003cedc84963be80173ef9c962e3.png