
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。
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。
可以通过以下命令安装 TFRecord 库:
pip3 install 'tfrecord[torch]'
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>
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)
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)
提供队列大小参数时,TFRecordDataset 和 MultiTFRecordDataset 会自动随机打乱数据:
dataset = TFRecordDataset(..., shuffle_queue_size=1024)
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)
import tfrecord writer = tfrecord.TFRecordWriter("/tmp/data.tfrecord") writer.write({ "image": (image_bytes, "byte"), "label": (label, "float"), "index": (index, "int") }) writer.close()
import tfrecord loader = tfrecord.tfrecord_loader("/tmp/data.tfrecord", None, { "image": "byte", "label": "float", "index": "int" }) for record in loader: print(record["label"])
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()
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"])
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。


免费 创建高清无水印Sora视频
Vora是一个免费创建高清无水印Sora视频的AI工具


最适合小白的AI自动化工作流平台
无需编码,轻松生成可复用、可变现的AI自动化工作流

大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。


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论文写作指导平台
AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。


AI一键生成PPT,就用博思AIPPT!
博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。


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。


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。


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


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
最新AI工具、AI资讯
独家AI资源、AI项目落地

微信扫一扫关注公众号