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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

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
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

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
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多