TensorFlow學習筆記（11）：數據操做指南

引言

用TensorFlow作好一個機器學習項目，須要具有多種代碼能力：

• 工程開發能力：怎麼讀取數據、怎麼設計與運行Computation Graph、怎麼保存與恢復變量、怎麼保存統計結果、怎麼共享變量、怎麼分佈式部署

• 數據操做能力：怎麼將原始數據一步步轉化爲模型須要的數據，中間可能涉及到Tensor轉換、字符串處理、JSON處理等

• 模型理論知識：線性迴歸，邏輯迴歸，softmax regression，支持向量機，決策樹，隨機森林，GBDT，CNN，RNN

• 數值計算理論知識：交叉熵數值計算的潛在問題（爲何要用tf.nn.softmax_cross_entropy_with_logits），梯度降低法，海森矩陣與特徵向量，牛頓法，Adam梯度法。

本系列文章已對TensorFlow的工程開發和與模型理論知識的結合作了較多的總結。本文的目的是聚焦於數據操做能力，講述TensorFlow中比較重要的一些API，幫助你們實現各自的業務邏輯。

Tensor Transformation

拼接

TensorFlow提供兩種類型的拼接：

• tf.concat(values, axis, name='concat')：按照指定的已經存在的軸進行拼接

• tf.stack(values, axis=0, name='stack')：按照指定的新建的軸進行拼接

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]
tf.stack([t1, t2], 0)  ==> [[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]]
tf.stack([t1, t2], 1)  ==> [[[1, 2, 3], [7, 8, 9]], [[4, 5, 6], [10, 11, 12]]]
tf.stack([t1, t2], 2)  ==> [[[1, 7], [2, 8], [3, 9]], [[4, 10], [5, 11], [6, 12]]]

上面的結果讀起來不太直觀，咱們從shape角度看一下就很容易明白了：

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0)  # [2,3] + [2,3] ==> [4, 3]
tf.concat([t1, t2], 1)  # [2,3] + [2,3] ==> [2, 6]
tf.stack([t1, t2], 0)   # [2,3] + [2,3] ==> [2*,2,3]
tf.stack([t1, t2], 1)   # [2,3] + [2,3] ==> [2,2*,3]
tf.stack([t1, t2], 2)   # [2,3] + [2,3] ==> [2,3,2*]

抽取

• tf.slice(input_, begin, size, name=None)：按照指定的下標範圍抽取連續區域的子集

• tf.gather(params, indices, validate_indices=None, name=None)：按照指定的下標集合從axis=0中抽取子集，適合抽取不連續區域的子集

input = [[[1, 1, 1], [2, 2, 2]],
         [[3, 3, 3], [4, 4, 4]],
         [[5, 5, 5], [6, 6, 6]]]
tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]]
tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3],
                                            [4, 4, 4]]]
tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> [[[3, 3, 3]],
                                           [[5, 5, 5]]]
                                           
tf.gather(input, [0, 2]) ==> [[[1, 1, 1], [2, 2, 2]],
                              [[5, 5, 5], [6, 6, 6]]]

假設咱們要從input中抽取[[[3, 3, 3]]]，這個輸出在inputaxis=0的下標是1，axis=1的下標是0，axis=2的下標是0-2，因此begin=[1,0,0]，size=[1,1,3]。

假設咱們要從input中抽取[[[3, 3, 3], [4, 4, 4]]]，這個輸出在inputaxis=0的下標是1，axis=1的下標是0-1，axis=2的下標是0-2，因此begin=[1,0,0]，size=[1,2,3]。

假設咱們要從input中抽取[[[3, 3, 3], [5, 5, 5]]]，這個輸出在inputaxis=0的下標是1-2，axis=1的下標是0，axis=2的下標是0-2，因此begin=[1,0,0]，size=[2,1,3]。

假設咱們要從input中抽取[[[1, 1, 1], [2, 2, 2]],[[5, 5, 5], [6, 6, 6]]]，這個輸出在input的axis=0的下標是[0, 2]，不連續，能夠用tf.gather抽取。

類型轉化

• tf.string_to_number(string_tensor, out_type=None, name=None): 將字符串轉化爲tf.float32（默認）和tf.int32

• tf.to_double(x, name='ToDouble')：轉化爲tf.float64

• tf.to_float(x, name='ToFloat')：轉化爲tf.float32

• tf.to_int32(x, name='ToInt32')：轉化爲tf.int32

• tf.to_int64(x, name='ToInt64')：轉化爲tf.int64

• tf.cast(x, dtype, name=None)：轉化爲dtype指定的類型

形狀轉化

• tf.reshape(tensor, shape, name=None)：轉化爲新shape，如有一個維度設置爲-1，會自動推導

SparseTensor

TensorFlow使用三個dense tensor來表達一個sparse tensor：indices、values、dense_shape。

假如咱們有一個dense tensor：

[[1, 0, 0, 0]
 [0, 0, 2, 0]
 [0, 0, 0, 0]]

那麼用SparseTensor表達這個數據對應的三個dense tensor以下：

• indices：[[0, 0], [1, 2]]

• values：[1, 2]

• dense_shape：[3, 4]

能夠經過如下兩種方法，將sparse tensor轉化爲dense tensor：

• tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value=0, validate_indices=True, name=None)

• tf.sparse_tensor_to_dense(sp_input, default_value=0, validate_indices=True, name=None)

字符串操做

拆分

tf.string_split(source, delimiter=' ')

source是一維數組，用於將一組字符串按照delimiter拆分爲多個元素，返回值爲一個SparseTensor。

假若有兩個字符串，source[0]是「hello world」，source[1]是「a b c」，那麼輸出結果以下：

• st.indices： [0, 0; 0, 1; 1, 0; 1, 1; 1, 2]

• st.values： ['hello', 'world', 'a', 'b', 'c']

• st.dense_shape：[2, 3]

拼接

tf.string_join(inputs, separator=None, name=None)，用起來比較簡單：

tf.string_join(["hello", "world"], separator=" ") ==> "hello world"

自定義op

經過tf.py_func(func, inp, Tout, stateful=True, name=None)能夠將任意的python函數func轉變爲TensorFlow op。

func接收的輸入必須是numpy array，能夠接受多個輸入參數；輸出也是numpy array，也能夠有多個輸出。inp傳入輸入值，Tout指定輸出的基本數據類型。

先看一個解析json的例子，輸入是一個json array，輸出是一個特徵矩陣。

import tensorflow as tf
import numpy as np
import json

json_str_1 = '''
{"name": "shuiping.chen",
"score": 95,
"department": "industrial engineering",
"rank": 2
}
'''
json_str_2 = '''
{"name": "zhuibing.dan",
"score": 87,
"department": "production engineering",
"rank": 4
}
'''

input_array = np.array([json_str_1, json_str_2])

def parse_json(json_str_array):
    fea_dict_array = [ json.loads(item) for item in json_str_array ]
    ret_feature = []
    for fea_dict in fea_dict_array:
        feature = [fea_dict["score"], fea_dict["rank"]]
        ret_feature.append(feature)
    return np.array(ret_feature, dtype=np.float32)

parse_json_op = tf.py_func(parse_json, [input_array], tf.float32)
sess = tf.Session()
print sess.run(parse_json_op)

再看一個多輸入多輸出的例子，輸入兩個numpy array，輸出三個array，分別是和、差、乘積。

array1 = np.array([[1, 2], [3, 4]], dtype=np.float32)
array2 = np.array([[5, 6], [7, 8]], dtype=np.float32)

def add_minus_dot(array1, array2):
    return array1 + array2, array1 - array2, np.dot(array1, array2)

add_minus_dot_op = tf.py_func(add_minus_dot, [array1, array2], [tf.float32, tf.float32, tf.float32])
print sess.run(add_minus_dot_op)