tfrecord

tfrecord

允许在 python 中有效地读取和写入 tfrecord 文件

该库在Python中提供了高效读取和写入TFRecord文件的方法,并为PyTorch提供了可迭代的数据集读取器。支持无压缩和gzip压缩的TFRecord文件,通过创建索引文件可以避免多线程重复记录。用户还能使用transform函数进行特征后处理,如解码图像和归一化颜色范围。该库简化了多文件读取和顺序数据处理流程。

TFRecordReaderTFRecordWriterPyTorchtfrecord数据集Github开源项目

项目概述

TFRecord 项目是一个用于在 Python 环境中高效读取和写入 TFRecord 文件的库。该库还为 PyTorch 提供了一个 IterableDataset 类型的 TFRecord 文件阅读器。目前,项目支持未压缩和 gzip 压缩的 TFRecord 文件。

安装指南

可以通过以下命令安装 TFRecord 库:

pip3 install 'tfrecord[torch]'

使用说明

推荐做法

为了避免在多进程加载时数据重复,推荐为每个 TFRecord 文件创建一个索引文件。可以使用以下工具程序为单个 TFRecord 文件创建索引文件:

python3 -m tfrecord.tools.tfrecord2idx <tfrecord 路径> <索引路径>

若需为目录中的所有 ".tfrecord" 文件创建 ".tfidx" 文件,可以运行:

tfrecord2idx <数据目录>

读写 tf.train.Example

在 PyTorch 中读取 tf.Example 记录

可以使用 TFRecordDataset 类读取 TFRecord 文件:

import torch from tfrecord.torch.dataset import TFRecordDataset tfrecord_path = "/tmp/data.tfrecord" index_path = None description = {"image": "byte", "label": "float"} dataset = TFRecordDataset(tfrecord_path, index_path, description) loader = torch.utils.data.DataLoader(dataset, batch_size=32) data = next(iter(loader)) print(data)

使用 MultiTFRecordDataset 类可以读取多个 TFRecord 文件。这个类可以根据设置的概率从给定的 TFRecord 文件中进行采样:

import torch from tfrecord.torch.dataset import MultiTFRecordDataset tfrecord_pattern = "/tmp/{}.tfrecord" index_pattern = "/tmp/{}.index" splits = { "dataset1": 0.8, "dataset2": 0.2, } description = {"image": "byte", "label": "int"} dataset = MultiTFRecordDataset(tfrecord_pattern, index_pattern, splits, description) loader = torch.utils.data.DataLoader(dataset, batch_size=32) data = next(iter(loader)) print(data)

无限和有限的 PyTorch 数据集

默认情况下,MultiTFRecordDataset 是无限的,这意味着数据采样会一直进行。若需设置为有限数据集,可以使用以下参数:

dataset = MultiTFRecordDataset(..., infinite=False)

数据随机打乱

提供队列大小参数时,TFRecordDatasetMultiTFRecordDataset 会自动随机打乱数据:

dataset = TFRecordDataset(..., shuffle_queue_size=1024)

变换输入数据

可以通过传递一个函数作为 transform 参数,以实现特征的后处理。这通常用于图像解码、颜色规范化或填充可变长度的序列等操作:

import tfrecord import cv2 def decode_image(features): # 从字节中获取 BGR 图像 features["image"] = cv2.imdecode(features["image"], -1) return features description = { "image": "bytes", } dataset = tfrecord.torch.TFRecordDataset("/tmp/data.tfrecord", index_path=None, description=description, transform=decode_image) data = next(iter(dataset)) print(data)

在 Python 中写入 tf.Example 记录

import tfrecord writer = tfrecord.TFRecordWriter("/tmp/data.tfrecord") writer.write({ "image": (image_bytes, "byte"), "label": (label, "float"), "index": (index, "int") }) writer.close()

在 Python 中读取 tf.Example 记录

import tfrecord loader = tfrecord.tfrecord_loader("/tmp/data.tfrecord", None, { "image": "byte", "label": "float", "index": "int" }) for record in loader: print(record["label"])

读写 tf.train.SequenceExample

向文件写入 SequenceExamples

import tfrecord writer = tfrecord.TFRecordWriter("/tmp/data.tfrecord") writer.write({'length': (3, 'int'), 'label': (1, 'int')}, {'tokens': ([[0, 0, 1], [0, 1, 0], [1, 0, 0]], 'int'), 'seq_labels': ([0, 1, 1], 'int')}) writer.write({'length': (3, 'int'), 'label': (1, 'int')}, {'tokens': ([[0, 0, 1], [1, 0, 0]], 'int'), 'seq_labels': ([0, 1], 'int')}) writer.close()

在 Python 中读取 SequenceExamples

读取 SequenceExample 会返回包含两个元素的元组:

import tfrecord context_description = {"length": "int", "label": "int"} sequence_description = {"tokens": "int", "seq_labels": "int"} loader = tfrecord.tfrecord_loader("/tmp/data.tfrecord", None, context_description, sequence_description=sequence_description) for context, sequence_feats in loader: print(context["label"]) print(sequence_feats["seq_labels"])

在 PyTorch 中读取 SequenceExamples

可以通过 transform 参数传递一个函数来对特征进行后处理,这种方式尤其适用于需要填充的序列特征:

import torch import numpy as np from tfrecord.torch.dataset import TFRecordDataset PAD_WIDTH = 5 def pad_sequence_feats(data): context, features = data for k, v in features.items(): features[k] = np.pad(v, ((0, PAD_WIDTH - len(v)), (0, 0)), 'constant') return (context, features) context_description = {"length": "int", "label": "int"} sequence_description = {"tokens": "int ", "seq_labels": "int"} dataset = TFRecordDataset("/tmp/data.tfrecord", index_path=None, description=context_description, transform=pad_sequence_feats, sequence_description=sequence_description) loader = torch.utils.data.DataLoader(dataset, batch_size=32) data = next(iter(loader)) print(data)

也可以选择实现自定义的 collate_fn 来组装批次数据,例如进行动态填充:

import torch import numpy as np from tfrecord.torch.dataset import TFRecordDataset def collate_fn(batch): from torch.utils.data._utils import collate from torch.nn.utils import rnn context, feats = zip(*batch) feats_ = {k: [torch.Tensor(d[k]) for d in feats] for k in feats[0]} return (collate.default_collate(context), {k: rnn.pad_sequence(f, True) for (k, f) in feats_.items()}) context_description = {"length": "int", "label": "int"} sequence_description = {"tokens": "int ", "seq_labels": "int"} dataset = TFRecordDataset("/tmp/data.tfrecord", index_path=None, description=context_description, transform=pad_sequence_feats, sequence_description=sequence_description) loader = torch.utils.data.DataLoader(dataset, batch_size=32, collate_fn=collate_fn) data = next(iter(loader)) print(data)

这个项目旨在简化使用 TFRecord 文件的流程,并为用户提供灵活的接口来处理多种数据类型和场景,是处理庞大数据集的理想工具。

编辑推荐精选

潮际好麦

潮际好麦

AI赋能电商视觉革命,一站式智能商拍平台

潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案,助力品牌曝光

稳定高效的流量提升解决方案,助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用,一键生成无水印视频

最新版Sora2模型免费使用,一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

下拉加载更多