Tensorflow中的数据对象Dataset

###基础概念

在tensorflow的官方文档是这样介绍Dataset数据对象的：

Dataset可以用来表示输入管道元素集合（张量的嵌套结构）和“逻辑计划“对这些元素的转换操作。在Dataset中元素可以是向量，元组或字典等形式。
另外，Dataset需要配合另外一个类Iterator进行使用，Iterator对象是一个迭代器，可以对Dataset中的元素进行迭代提取。

看个简单的示例：

#创建一个Dataset对象
dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#创建一个迭代器
iterator = dataset.make_one_shot_iterator()

#get_next()函数可以帮助我们从迭代器中获取元素
element = iterator.get_next()

#遍历迭代器，获取所有元素
with tf.Session() as sess:
   for i in range(9):
       print(sess.run(element))

以上打印结果为：1 2 3 4 5 6 7 8 9

###Dataset方法
####1.from_tensor_slices

from_tensor_slices用于创建dataset,其元素是给定张量的切片的元素。

函数形式：from_tensor_slices（tensors）

参数tensors:张量的嵌套结构,每个都在第0维中具有相同的大小。

具体例子

#创建切片形式的dataset
dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#创建一个迭代器
iterator = dataset.make_one_shot_iterator()

#get_next()函数可以帮助我们从迭代器中获取元素
element = iterator.get_next()

#遍历迭代器，获取所有元素
with tf.Session() as sess:
   for i in range(3):
       print(sess.run(element))

以上代码运行结果：1 2 3

####2.from_tensors

创建一个Dataset包含给定张量的单个元素。

函数形式：from_tensors（tensors）

参数tensors:张量的嵌套结构。

具体例子

dataset = tf.data.Dataset.from_tensors([1,2,3,4,5,6,7,8,9])

iterator = concat_dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(1):
       print(sess.run(element))

以上代码运行结果：[1,2,3,4,5,6,7,8,9]
即from_tensors是将tensors作为一个整体进行操纵，而from_tensor_slices可以操纵tensors里面的元素。

####3.from_generator

创建Dataset由其生成元素的元素generator。

函数形式：from_generator(generator,output_types,output_shapes=None,args=None)

参数generator:一个可调用对象，它返回支持该iter()协议的对象 。如果args未指定，generator则不得参数; 否则它必须采取与有值一样多的参数args。
参数output_types：tf.DType对应于由元素生成的元素的每个组件的对象的嵌套结构generator。
参数output_shapes:tf.TensorShape 对应于由元素生成的元素的每个组件的对象 的嵌套结构generator
参数args:tf.Tensor将被计算并将generator作为NumPy数组参数传递的对象元组。

具体例子

#定义一个生成器
def data_generator():
    dataset = np.array(range(9))
    for i in dataset:
        yield i

#接收生成器，并生产dataset数据结构
dataset = tf.data.Dataset.from_generator(data_generator, (tf.int32))

iterator = concat_dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(3):
       print(sess.run(element))

以上代码运行结果：0 1 2

####4.batch

batch可以将数据集的连续元素合成批次。

函数形式：batch(batch_size,drop_remainder=False)

参数batch_size:表示要在单个批次中合并的此数据集的连续元素个数。
参数drop_remainder：表示在少于batch_size元素的情况下是否应删除最后一批 ; 默认是不删除。

具体例子：

#创建一个Dataset对象
dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

'''合成批次'''
dataset=dataset.batch(3)

#创建一个迭代器
iterator = dataset.make_one_shot_iterator()

#get_next()函数可以帮助我们从迭代器中获取元素
element = iterator.get_next()

#遍历迭代器，获取所有元素
with tf.Session() as sess:
   for i in range(9):
       print(sess.run(element))

以上代码运行结果为：
[1 2 3]
[4 5 6]
[7 8 9]

即把目标对象合成3个批次，返回的对象是传入Dataset对象。

####5.concatenate

concatenate可以将两个Dataset对象进行合并或连接.

函数形式：concatenate(dataset)

参数dataset:表示需要传入的dataset对象。

具体例子：

#创建dataset对象
dataset_a=tf.data.Dataset.from_tensor_slices([1,2,3])
dataset_b=tf.data.Dataset.from_tensor_slices([4,5,6])

#合并dataset
concat_dataset=dataset_a.concatenate(dataset_b)

iterator = concat_dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(6):
       print(sess.run(element))

以上代码运行结果：1 2 3 4 5 6

####6.filter

filter可以对传入的dataset数据进行条件过滤.

函数形式：filter(predicate)

参数predicate:条件过滤函数

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#对dataset内的数据进行条件过滤
dataset=dataset.filter(lambda x:x>3)

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
    for i in range(6):
       print(sess.run(element))

以上代码运行结果：4 5 6 7 8 9

####7.map

map可以将map_func函数映射到数据集

函数形式：flat_map(map_func，num_parallel_calls=None)

参数map_func:映射函数
参数num_parallel_calls：表示要并行处理的数字元素。如果未指定，将按顺序处理元素。

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#进行map操作
dataset=dataset.map(lambda x:x+1)

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(6):
       print(sess.run(element))

以上代码运行结果：2 3 4 5 6 7

####8.flat_map

flat_map可以将map_func函数映射到数据集（与map不同的是flat_map传入的数据必须是一个dataset）。

函数形式：flat_map(map_func)

参数map_func:映射函数

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#进行flat_map操作
dataset=dataset.flat_map(lambda x:tf.data.Dataset.from_tensor_slices(x+[1]))

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(6):
       print(sess.run(element))

以上代码运行结果：2 3 4 5 6 7

####9.make_one_shot_iterator

创建Iterator用于枚举此数据集的元素。（可自动初始化）

函数形式：make_one_shot_iterator()

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(6):
       print(sess.run(element))

####10.make_initializable_iterator

创建Iterator用于枚举此数据集的元素。(使用此函数前需先进行迭代器的初始化操作)

函数形式：make_initializable_iterator(shared_name=None)

参数shared_name:(可选）如果非空，则返回的迭代器将在给定名称下共享同一设备的多个会话（例如，使用远程服务器时）

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

iterator = dataset.make_initializable_iterator()

element = iterator.get_next()

with tf.Session() as sess:

   #对迭代器进行初始化操作
   sess.run(iterator.initializer)

   for i in range(5):
       print(sess.run(element))

####11.padded_batch

将数据集的连续元素组合到填充批次中,此转换将输入数据集的多个连续元素组合为单个元素。

函数形式：padded_batch(batch_size,padded_shapes,padding_values=None,drop_remainder=False)

参数batch_size：表示要在单个批次中合并的此数据集的连续元素数。
参数padded_shapes：嵌套结构tf.TensorShape或 tf.int64类似矢量张量的对象，表示在批处理之前应填充每个输入元素的相应组件的形状。任何未知的尺寸（例如，tf.Dimension(None)在一个tf.TensorShape或-1类似张量的物体中）将被填充到每个批次中该尺寸的最大尺寸。
参数padding_values:(可选）标量形状的嵌套结构 tf.Tensor，表示用于各个组件的填充值。默认值0用于数字类型，空字符串用于字符串类型。
参数drop_remainder:(可选）一个tf.bool标量tf.Tensor，表示在少于batch_size元素的情况下是否应删除最后一批 ; 默认行为是不删除较小的批处理。

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

dataset=dataset.padded_batch(2,padded_shapes=[])

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(6):
       print(sess.run(element))

以上代码运行结果：
[1 2]
[3 4]

####12.repeat

重复此数据集count次数

函数形式：repeat(count=None)

参数count:(可选）表示数据集应重复的次数。默认行为（如果count是None或-1）是无限期重复的数据集。

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#无限次重复dataset数据集
dataset=dataset.repeat()

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(30，35):
       print(sess.run(element))

以上代码运行结果： 1 2 3 4 5

####13.shard

将Dataset分割成num_shards个子数据集。这个函数在分布式训练中非常有用，它允许每个设备读取唯一子集。

函数形式：shard( num_shards,index)

参数num_shards:表示并行运行的分片数。
参数index:表示工人索引。

####14.shuffle

随机混洗数据集的元素。

函数形式：shuffle(buffer_size,seed=None,reshuffle_each_iteration=None)

参数buffer_size:表示新数据集将从中采样的数据集中的元素数。
参数seed:(可选）表示将用于创建分布的随机种子。
参数reshuffle_each_iteration:(可选）一个布尔值，如果为true，则表示每次迭代时都应对数据集进行伪随机重组。（默认为True。）

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#随机混洗数据
dataset=dataset.shuffle(3)

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(30，35):
       print(sess.run(element))

以上代码运行结果：3 2 4

####15.skip

生成一个跳过count元素的数据集。

函数形式：skip(count)

参数count:表示应跳过以形成新数据集的此数据集的元素数。如果count大于此数据集的大小，则新数据集将不包含任何元素。如果count 为-1，则跳过整个数据集。

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,3,4,5,6,7,8,9])

#跳过前5个元素
dataset=dataset.skip(5)

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(30，35):
       print(sess.run(element))

以上代码运行结果： 6 7 8

####16.take

提取前count个元素形成性数据集

函数形式：take(count)

参数count:表示应该用于形成新数据集的此数据集的元素数。如果count为-1，或者count大于此数据集的大小，则新数据集将包含此数据集的所有元素。

具体例子

dataset = tf.data.Dataset.from_tensor_slices([1,2,2,3,4,5,6,7,8,9])

#提取前5个元素形成新数据
dataset=dataset.take(5)

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(30，35):
       print(sess.run(element))

以上代码运行结果： 1 2 2

####17.zip

将给定数据集压缩在一起

函数形式：zip（datasets）

参数datesets:数据集的嵌套结构。

具体例子

dataset_a=tf.data.Dataset.from_tensor_slices([1,2,3])

dataset_b=tf.data.Dataset.from_tensor_slices([2,6,8])

zip_dataset=tf.data.Dataset.zip((dataset_a,dataset_b))

iterator = dataset.make_one_shot_iterator()

element = iterator.get_next()

with tf.Session() as sess:
   for i in range(30，35):
       print(sess.run(element))

以上代码运行结果：
(1, 2)
(2, 6)
(3, 8)

到这里Dataset中大部分方法 都在这里做了初步的解释，当然这些方法的配合使用才能够在建模过程中发挥大作用。

更多信息可查看tensorflow官方文档 https://www.tensorflow.org/api_docs/python/tf/data/Dataset