时间:2021-05-22
先放关键代码:
i = tf.train.range_input_producer(NUM_EXPOCHES, num_epochs=1, shuffle=False).dequeue()inputs = tf.slice(array, [i * BATCH_SIZE], [BATCH_SIZE])原理解析:
第一行会产生一个队列,队列包含0到NUM_EXPOCHES-1的元素,如果num_epochs有指定,则每个元素只产生num_epochs次,否则循环产生。shuffle指定是否打乱顺序,这里shuffle=False表示队列的元素是按0到NUM_EXPOCHES-1的顺序存储。在Graph运行的时候,每个线程从队列取出元素,假设值为i,然后按照第二行代码切出array的一小段数据作为一个batch。例如NUM_EXPOCHES=3,如果num_epochs=2,则队列的内容是这样子;
0,1,2,0,1,2
队列只有6个元素,这样在训练的时候只能产生6个batch,迭代6次以后训练就结束。
如果num_epochs不指定,则队列内容是这样子:
0,1,2,0,1,2,0,1,2,0,1,2...
队列可以一直生成元素,训练的时候可以产生无限的batch,需要自己控制什么时候停止训练。
下面是完整的演示代码。
数据文件test.txt内容:
1234567891011121314151617181920212223242526272829303132333435main.py内容:
import tensorflow as tfimport codecs BATCH_SIZE = 6NUM_EXPOCHES = 5 def input_producer(): array = codecs.open("test.txt").readlines() array = map(lambda line: line.strip(), array) i = tf.train.range_input_producer(NUM_EXPOCHES, num_epochs=1, shuffle=False).dequeue() inputs = tf.slice(array, [i * BATCH_SIZE], [BATCH_SIZE]) return inputs class Inputs(object): def __init__(self): self.inputs = input_producer() def main(*args, **kwargs): inputs = Inputs() init = tf.group(tf.initialize_all_variables(), tf.initialize_local_variables()) sess = tf.Session() coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess=sess, coord=coord) sess.run(init) try: index = 0 while not coord.should_stop() and index<10: datalines = sess.run(inputs.inputs) index += 1 print("step: %d, batch data: %s" % (index, str(datalines))) except tf.errors.OutOfRangeError: print("Done traing:-------Epoch limit reached") except KeyboardInterrupt: print("keyboard interrput detected, stop training") finally: coord.request_stop() coord.join(threads) sess.close() del sess if __name__ == "__main__": main()输出:
step: 1, batch data: ['1' '2' '3' '4' '5' '6']step: 2, batch data: ['7' '8' '9' '10' '11' '12']step: 3, batch data: ['13' '14' '15' '16' '17' '18']step: 4, batch data: ['19' '20' '21' '22' '23' '24']step: 5, batch data: ['25' '26' '27' '28' '29' '30']Done traing:-------Epoch limit reached如果range_input_producer去掉参数num_epochs=1,则输出:
step: 1, batch data: ['1' '2' '3' '4' '5' '6']step: 2, batch data: ['7' '8' '9' '10' '11' '12']step: 3, batch data: ['13' '14' '15' '16' '17' '18']step: 4, batch data: ['19' '20' '21' '22' '23' '24']step: 5, batch data: ['25' '26' '27' '28' '29' '30']step: 6, batch data: ['1' '2' '3' '4' '5' '6']step: 7, batch data: ['7' '8' '9' '10' '11' '12']step: 8, batch data: ['13' '14' '15' '16' '17' '18']step: 9, batch data: ['19' '20' '21' '22' '23' '24']step: 10, batch data: ['25' '26' '27' '28' '29' '30']有一点需要注意,文件总共有35条数据,BATCH_SIZE = 6表示每个batch包含6条数据,NUM_EXPOCHES = 5表示产生5个batch,如果NUM_EXPOCHES =6,则总共需要36条数据,就会报如下错误:
InvalidArgumentError (see above for traceback): Expected size[0] in [0, 5], but got 6 [[Node: Slice = Slice[Index=DT_INT32, T=DT_STRING, _device="/job:localhost/replica:0/task:0/cpu:0"](Slice/input, Slice/begin/_5, Slice/size)]]错误信息的意思是35/BATCH_SIZE=5,即NUM_EXPOCHES 的取值能只能在0到5之间。
以上这篇tensorflow使用range_input_producer多线程读取数据实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
最近在学习TensorFlow,比较烦人的是使用tensorflow.examples.tutorials.mnist.input_data读取数据fromte
读取tfrecord数据从TFRecords文件中读取数据,首先需要用tf.train.string_input_producer生成一个解析队列。之后调用tf
本文实例讲述了Android实现多线程下载文件的方法。分享给大家供大家参考。具体如下:多线程下载大概思路就是通过Range属性实现文件分段,然后用RandomA
单一数据读取方式: 第一种:slice_input_producer()#返回值可以直接通过Session.run([images,labels])查看,且第
错误信息Attemptingtouseuninitializedvalueinput_producer/input_producer/limit_epochs/