[db] hadoop分布式生成tfrecord格式文件

利用hadoop分布式生成tfrecord格式文件

由于到处理的数据量较大，亿为单位的数据条数，所以提前利用hadoop的分布式的优势处理成tfrecord格式供tf训练。

hadoop streaming执行的是mapper reduce流处理。

完整脚本文件放在了github上，

input data format:([one,another'\t'label],split(',' and '\t'))

1 2 3 4 5 6 7 0 8 9 10,1 2 3 4 5 6 7 0 8 9 10 0

mapper

shuffle data

利用mapper的自动排序功能做数据shuffle。

也就是在每一条数据前增加一个随机数，然后使用其自动排序的机制达到shuffle数据的功能。

def mapper():
    for line in sys.stdin:
        print('{}\t{}'.format(random.random(), line.strip()))

reducer

generate tfrecord

其中有一个小技巧就是所有的reducer任务是在集群上的机器上运行的，在执行生成tfrecord文件后，要使用hadoop fs -put .....命令将本机生成的文件上传到hadoop上。

def reducer(save_path, hadoop_path):
    writer = tf.python_io.TFRecordWriter(save_path)
    for line in sys.stdin:
        line = line.strip().split('\t')
        if len(line) != 3:
            print(line)
            continue
			
		#info = np.array(line[1],dtype='int')	#not work
		#label = np.array(line[2],dtype='int')
		
        info = line[1].strip().split(',')
        pair_info = []
        label_info = []
        for i in xrange(len(info)):
            one_info = info[i].strip().split(' ')
            one_info_str = []
            for j in xrange(len(one_info)):
                one_info_str.append(float(one_info[j]))
            pair_info.append(one_info_str)
        info = np.array(pair_info, np.float32)
        label = line[2].strip()
        label_info = int(label)
		
        example = tf.train.Example(
                    features=tf.train.Features(
                        feature={'pair' : bytes_feature(info.tobytes()),
                                 'label' : int64_feature(label_info)}))
        writer.write(example.SerializeToString())
    writer.close()
    os.system('hadoop fs -put '+save_path+' '+hadoop_path)

问题记录

在reducer阶段，直接将stdin的数据转np.array后用tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))转换后是能够生成tfrecord文件的，但是在模型训练输入阶段却解析不出来，不知道为啥。

#info = np.array(line[1],dtype='int')	#not work
#label = np.array(line[2],dtype='int')

因此选择将stdin的数据切分开之后再转换，就能用了。
Amazing!