【深度學習系列】PaddlePaddle之數據預處理

時間 2019-11-12

原文原文鏈接

　　上篇文章講了卷積神經網絡的基本知識，原本這篇文章準備繼續深刻講CNN的相關知識和手寫CNN，可是有不少同窗跟我發郵件或私信問我關於PaddlePaddle如何讀取數據、作數據預處理相關的內容。網上看的不少教程都是幾個常見的例子，數據集不須要本身準備，因此不須要關心，可是實際作項目的時候作數據預處理感受一頭霧水，因此我就寫一篇文章彙總一下，講講如何用PaddlePaddle作數據預處理。html

PaddlePaddle的基本數據格式python

　　根據官網的資料，總結出PaddlePaddle支持多種不一樣的數據格式，包括四種數據類型和三種序列格式：git

四種數據類型：github

dense_vector：稠密的浮點數向量。
sparse_binary_vector：稀疏的二值向量，即大部分值爲0，但有值的地方必須爲1。
sparse_float_vector：稀疏的向量，即大部分值爲0，但有值的部分能夠是任何浮點數。
integer：整型格式

api以下：api

paddle.v2.data_type.dense_vector(dim, seq_type=0)

說明：稠密向量，輸入特徵是一個稠密的浮點向量。舉個例子，手寫數字識別裏的輸入圖片是28*28的像素，Paddle的神經網絡的輸入應該是一個784維的稠密向量。

參數：

dim(int) 向量維度

seq_type(int)輸入的序列格式

返回類型：InputType

paddle.v2.data_type.sparse_binary_vector(dim, seq_type=0)

說明：稀疏的二值向量。輸入特徵是一個稀疏向量，這個向量的每一個元素要麼是0,要麼是1

參數：同上

返回類型：同上

paddle.v2.data_type.sparse_vector(dim, seq_type=0)

說明：稀疏向量，向量裏大多數元素是0，其餘的值能夠是任意的浮點值

參數：同上

返回類型：同上

paddle.v2.data_type.integer_value(value_range, seq_type=0)

說明：整型格式

參數：　　

seq_type(int)：輸入的序列格式

value_range(int)：每一個元素的範圍

返回類型：InputType

三種序列格式：緩存

SequenceType.NO_SEQUENCE：不是一條序列
SequenceType.SEQUENCE：是一條時間序列
SequenceType.SUB_SEQUENCE：是一條時間序列，且序列的每個元素仍是一個時間序列。

api以下：網絡

paddle.v2.data_type.dense_vector_sequence(dim, seq_type=0)

說明：稠密向量的序列格式

參數：dim(int)：稠密向量的維度

返回類型：InputType

paddle.v2.data_type.sparse_binary_vector_sequence(dim, seq_type=0)

說明：稀疏的二值向量序列。每一個序列裏的元素要麼是0要麼是1

參數：dim(int)：稀疏向量的維度

返回類型：InputType

paddle.v2.data_type.sparse_non_value_slot(dim, seq_type=0)

說明：稀疏的向量序列。每一個序列裏的元素要麼是0要麼是1

參數：

dim(int)：稀疏向量的維度

seq_type(int)：輸入的序列格式

返回類型：InputType

paddle.v2.data_type.sparse_value_slot(dim, seq_type=0)

說明：稀疏的向量序列，向量裏大多數元素是0，其餘的值能夠是任意的浮點值

參數：

dim(int)：稀疏向量的維度

seq_type(int)：輸入的序列格式

返回類型：InputType

paddle.v2.data_type.integer_value_sequence(value_range, seq_type=0)

說明：value_range(int)：每一個元素的範圍

　　不一樣的數據類型和序列模式返回的格式不一樣，以下表：多線程

　　其中f表示浮點數，i表示整數框架

注意：對sparse_binary_vector和sparse_float_vector，PaddlePaddle存的是有值位置的索引。例如，dom

對一個5維非序列的稀疏01向量 [0, 1, 1, 0, 0] ，類型是sparse_binary_vector，返回的是 [1, 2] 。(由於只有第1位和第2位有值)
對一個5維非序列的稀疏浮點向量 [0, 0.5, 0.7, 0, 0] ，類型是sparse_float_vector，返回的是 [(1, 0.5), (2, 0.7)] 。（由於只有第一位和第二位有值，分別是0.5和0.7）

PaddlePaddle的數據讀取方式

　　咱們瞭解了上文的四種基本數據格式和三種序列模式後，在處理本身的數據時能夠根據需求選擇，可是處理完數據後如何把數據放到模型裏去訓練呢？咱們知道，基本的方法通常有兩種：

一次性加載到內存：模型訓練時直接從內存中取數據，不須要大量的IO消耗，速度快，適合少許數據。
加載到磁盤/HDFS/共享存儲等：這樣不用佔用內存空間，在處理大量數據時通常採起這種方式，可是缺點是每次數據加載進來也是一次IO的開銷，很是影響速度。

　　在PaddlePaddle中咱們能夠有三種模式來讀取數據：分別是reader、reader creator和reader decorator,這三者有什麼區別呢？

reader：從本地、網絡、分佈式文件系統HDFS等讀取數據，也可隨機生成數據，並返回一個或多個數據項。
reader creator：一個返回reader的函數。
reader decorator：裝飾器，可組合一個或多個reader。

　　reader

　　咱們先以reader爲例，爲房價數據（斯坦福吳恩達的公開課第一課舉例的數據）建立一個reader：

建立一個reader，實質上是一個迭代器，每次返回一條數據（此處以房價數據爲例）

reader = paddle.dataset.uci_housing.train()

　　2. 建立一個shuffle_reader，把上一步的reader放進去，配置buf_size就能夠讀取buf_size大小的數據自動作shuffle，讓數據打亂，隨機化

shuffle_reader = paddle.reader.shuffle(reader,buf_size= 100)

　　3.建立一個batch_reader，把上一步混洗好的shuffle_reader放進去，給定batch_size，便可建立。

batch_reader = paddle.batch(shuffle_reader,batch_size = 2)

　　這三種方式也能夠組合起來放一塊：

reader = paddle.batch( paddle.reader.shuffle( uci_housing.train(), buf_size = 100), batch_size=2)

　　能夠以一個直觀的圖來表示：

　　從圖中能夠看到，咱們能夠直接從原始數據集裏拿去數據，用reader讀取，一條條灌倒shuffle_reader裏，在本地隨機化，把數據打亂，作shuffle，而後把shuffle後的數據，一個batch一個batch的形式，批量的放到訓練器裏去進行每一步的迭代和訓練。流程簡單，並且只須要使用一行代碼便可實現整個過程。

　　reader creator

　　若是想要生成一個簡單的隨機數據，以reader creator爲例：

def reader_creator(): def reader(): while True: yield numpy.random.uniform(-1,1,size=784) return reader

　　源碼見creator.py, 支持四種格式：np_array，text_file，RecordIO和cloud_reader

  1 __all__ = ['np_array', 'text_file', "cloud_reader"]
  2 
  3 
  4 def np_array(x):
  5     """
  6     Creates a reader that yields elements of x, if it is a
  7     numpy vector. Or rows of x, if it is a numpy matrix.
  8     Or any sub-hyperplane indexed by the highest dimension.
  9     :param x: the numpy array to create reader from.
 10     :returns: data reader created from x.
 11     """
 12 
 13     def reader():
 14         if x.ndim < 1:
 15             yield x
 16 
 17         for e in x:
 18             yield e
 19 
 20     return reader
 21 
 22 
 23 def text_file(path):
 24     """
 25     Creates a data reader that outputs text line by line from given text file.
 26     Trailing new line ('\\\\n') of each line will be removed.
 27     :path: path of the text file.
 28     :returns: data reader of text file
 29     """
 30 
 31     def reader():
 32         f = open(path, "r")
 33         for l in f:
 34             yield l.rstrip('\n')
 35         f.close()
 36 
 37     return reader
 38 
 39 
 40 def recordio(paths, buf_size=100):
 41     """
 42     Creates a data reader from given RecordIO file paths separated by ",",
 43         glob pattern is supported.
 44     :path: path of recordio files, can be a string or a string list.
 45     :returns: data reader of recordio files.
 46     """
 47 
 48     import recordio as rec
 49     import paddle.v2.reader.decorator as dec
 50     import cPickle as pickle
 51 
 52     def reader():
 53         if isinstance(paths, basestring):
 54             path = paths
 55         else:
 56             path = ",".join(paths)
 57         f = rec.reader(path)
 58         while True:
 59             r = f.read()
 60             if r is None:
 61                 break
 62             yield pickle.loads(r)
 63         f.close()
 64 
 65     return dec.buffered(reader, buf_size)
 66 
 67 
 68 pass_num = 0
 69 
 70 
 71 def cloud_reader(paths, etcd_endpoints, timeout_sec=5, buf_size=64):
 72     """
 73     Create a data reader that yield a record one by one from
 74         the paths:
 75     :paths: path of recordio files, can be a string or a string list.
 76     :etcd_endpoints: the endpoints for etcd cluster
 77     :returns: data reader of recordio files.
 78     ..  code-block:: python
 79         from paddle.v2.reader.creator import cloud_reader
 80         etcd_endpoints = "http://127.0.0.1:2379"
 81         trainer.train.(
 82             reader=cloud_reader(["/work/dataset/uci_housing/uci_housing*"], etcd_endpoints),
 83         )
 84     """
 85     import os
 86     import cPickle as pickle
 87     import paddle.v2.master as master
 88     c = master.client(etcd_endpoints, timeout_sec, buf_size)
 89 
 90     if isinstance(paths, basestring):
 91         path = [paths]
 92     else:
 93         path = paths
 94     c.set_dataset(path)
 95 
 96     def reader():
 97         global pass_num
 98         c.paddle_start_get_records(pass_num)
 99         pass_num += 1
100 
101         while True:
102             r, e = c.next_record()
103             if not r:
104                 if e != -2:
105                     print "get record error: ", e
106                 break
107             yield pickle.loads(r)
108 
109     return reader

View Code

reader decorator

　　若是想要讀取同時讀取兩部分的數據，那麼能夠定義兩個reader，合併後對其進行shuffle。如我想讀取全部用戶對比車系的數據和瀏覽車系的數據，能夠定義兩個reader，分別爲contrast()和view()，而後經過預約義的reader decorator緩存並組合這些數據，在對合並後的數據進行亂序操做。源碼見decorator.py

data = paddle.reader.shuffle( paddle.reader.compose( paddle.reader(contradt(contrast_path),buf_size = 100), paddle.reader(view(view_path),buf_size = 200), 500)

　　這樣有一個很大的好處，就是組合特徵來訓練變得更容易了！傳統的跑模型的方法是，肯定label和feature，儘量多的找合適的feature扔到模型裏去訓練，這樣咱們就須要作一張大表，訓練完後咱們能夠分析某些特徵的重要性而後從新增長或減小一些feature來進行訓練，這樣咱們有須要對原來的label-feature表進行修改，若是數據量小沒啥影響，就是麻煩點，可是數據量大的話須要每一次增長feature，和主鍵、label來join的操做都會很耗時，若是採起這種方式的話，咱們能夠對某些同一類的特徵作成一張表，數據存放的地址存爲一個變量名，每次跑模型的時候想選取幾類特徵，就建立幾個reader，用reader decorator 組合起來，最後再shuffle灌倒模型裏去訓練。這！樣！是！不！是！很！方！便！

　　若是沒理解，我舉一個實例，假設咱們要預測用戶是否會買車，label是買車 or 不買車，feature有瀏覽車系、對比車系、關注車系的功能偏好等等20個，傳統的思惟是作成這樣一張表：

　　若是想要減小feature_2,看看feature_2對模型的準確率影響是否很大，那麼咱們須要在這張表裏去掉這一列，想要增長一個feature的話，也須要在feature裏增長一列，若是用reador decorator的話，咱們能夠這樣作數據集：

　　把相同類型的feature放在一塊兒，不用頻繁的join減小時間，一共作四個表，建立4個reador：

data = paddle.reader.shuffle( paddle.reader.compose( paddle.reader(table1(table1_path),buf_size = 100), paddle.reader(table2(table2_path),buf_size = 100), paddle.reader(table3(table3_path),buf_size = 100), paddle.reader(table4(table4_path),buf_size = 100), 500)

　　若是新發現了一個特徵，想嘗試這個特徵對模型提升準確率有沒有用，能夠再單獨把這個特徵數據提取出來，再增長一個reader，用reader decorator組合起來，shuffle後放入模型裏跑就好了。

PaddlePaddle的數據預處理實例

　　仍是以手寫數字爲例，對數據進行處理後並劃分train和test，只須要4步便可：

指定數據地址

 1 import paddle.v2.dataset.common
 2 import subprocess
 3 import numpy
 4 import platform
 5 __all__ = ['train', 'test', 'convert']
 6 
 7 URL_PREFIX = 'http://yann.lecun.com/exdb/mnist/'
 8 TEST_IMAGE_URL = URL_PREFIX + 't10k-images-idx3-ubyte.gz'
 9 TEST_IMAGE_MD5 = '9fb629c4189551a2d022fa330f9573f3'
10 TEST_LABEL_URL = URL_PREFIX + 't10k-labels-idx1-ubyte.gz'
11 TEST_LABEL_MD5 = 'ec29112dd5afa0611ce80d1b7f02629c'
12 TRAIN_IMAGE_URL = URL_PREFIX + 'train-images-idx3-ubyte.gz'
13 TRAIN_IMAGE_MD5 = 'f68b3c2dcbeaaa9fbdd348bbdeb94873'
14 TRAIN_LABEL_URL = URL_PREFIX + 'train-labels-idx1-ubyte.gz'
15 TRAIN_LABEL_MD5 = 'd53e105ee54ea40749a09fcbcd1e9432'

　　2.建立reader creator

 1 def reader_creator(image_filename, label_filename, buffer_size):
 2     # 建立一個reader
 3     def reader():
 4         if platform.system() == 'Darwin':
 5             zcat_cmd = 'gzcat'
 6         elif platform.system() == 'Linux':
 7             zcat_cmd = 'zcat'
 8         else:
 9             raise NotImplementedError()
10 
11         m = subprocess.Popen([zcat_cmd, image_filename], stdout=subprocess.PIPE)
12         m.stdout.read(16)  
13 
14         l = subprocess.Popen([zcat_cmd, label_filename], stdout=subprocess.PIPE)
15         l.stdout.read(8)  
16 
17         try:  # reader could be break.
18             while True:
19                 labels = numpy.fromfile(
20                     l.stdout, 'ubyte', count=buffer_size).astype("int")
21 
22                 if labels.size != buffer_size:
23                     break  # numpy.fromfile returns empty slice after EOF.
24 
25                 images = numpy.fromfile(
26                     m.stdout, 'ubyte', count=buffer_size * 28 * 28).reshape(
27                         (buffer_size, 28 * 28)).astype('float32')
28 
29                 images = images / 255.0 * 2.0 - 1.0
30 
31                 for i in xrange(buffer_size):
32                     yield images[i, :], int(labels[i])
33         finally:
34             m.terminate()
35             l.terminate()
36 
37     return reader

　　3.建立訓練集和測試集

 1 def train():
 2     """
 3     建立mnsit的訓練集 reader creator
 4     返回一個reador creator，每一個reader裏的樣本都是圖片的像素值，在區間[0,1]內，label爲0~9
 5     返回：training reader creator
 6     """
 7     return reader_creator(
 8         paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist',
 9                                           TRAIN_IMAGE_MD5),
10         paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist',
11                                           TRAIN_LABEL_MD5), 100)
12 
13 
14 def test():
15     """
16     建立mnsit的測試集 reader creator
17     返回一個reador creator，每一個reader裏的樣本都是圖片的像素值，在區間[0,1]內，label爲0~9
18     返回：testreader creator
19     """
20     return reader_creator(
21         paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist',
22                                           TEST_IMAGE_MD5),
23         paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist',
24                                           TEST_LABEL_MD5), 100)

　　4.下載數據並轉換成相應格式

 1 def fetch():
 2     paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist', TRAIN_IMAGE_MD5)
 3     paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
 4     paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist', TEST_IMAGE_MD5)
 5     paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
 6 
 7 
 8 def convert(path):
 9     """
10     將數據格式轉換爲 recordio format
11     """
12     paddle.v2.dataset.common.convert(path, train(), 1000, "minist_train")
13     paddle.v2.dataset.common.convert(path, test(), 1000, "minist_test")

　　若是想換成本身的訓練數據，只須要按照步驟改爲本身的數據地址，建立相應的reader creator（或者reader decorator）便可。

　　這是圖像的例子，若是咱們想訓練一個文本模型，作一個情感分析，這個時候如何處理數據呢？步驟也很簡單。

　　假設咱們有一堆數據，每一行爲一條樣本，以 \t 分隔，第一列是類別標籤，第二列是輸入文本的內容，文本內容中的詞語以空格分隔。如下是兩條示例數據：

positive        今天終於試了本身理想的車 外觀太騷氣了 並且中控也很棒
negative       這臺車好貴 並且還費油 性價比過低了

　　如今開始作數據預處理

　　1.建立reader

 1 def train_reader(data_dir, word_dict, label_dict):
 2     def reader():
 3         UNK_ID = word_dict["<UNK>"]
 4         word_col = 0
 5         lbl_col = 1
 6 
 7         for file_name in os.listdir(data_dir):
 8             with open(os.path.join(data_dir, file_name), "r") as f:
 9                 for line in f:
10                     line_split = line.strip().split("\t")
11                     word_ids = [
12                         word_dict.get(w, UNK_ID)
13                         for w in line_split[word_col].split()
14                     ]
15                     yield word_ids, label_dict[line_split[lbl_col]]
16 
17     return reader

　　返回類型爲： paddle.data_type.integer_value_sequence（詞語在字典的序號）和 paddle.data_type.integer_value（類別標籤）

　　2.組合讀取方式

1 train_reader = paddle.batch(
2         paddle.reader.shuffle(
3             reader.train_reader(train_data_dir, word_dict, lbl_dict),
4             buf_size=1000),
5         batch_size=batch_size)

　　完整的代碼以下（加上了劃分train和test部分）：

 1 import os
 2 
 3 
 4 def train_reader(data_dir, word_dict, label_dict):
 5     """
 6    建立訓練數據reader
 7     :param data_dir: 數據地址.
 8     :type data_dir: str
 9     :param word_dict: 詞典地址,
10         詞典裏必須有 "UNK" .
11     :type word_dict:python dict
12     :param label_dict: label 字典的地址
13     :type label_dict: Python dict
14     """
15 
16     def reader():
17         UNK_ID = word_dict["<UNK>"]
18         word_col = 1
19         lbl_col = 0
20 
21         for file_name in os.listdir(data_dir):
22             with open(os.path.join(data_dir, file_name), "r") as f:
23                 for line in f:
24                     line_split = line.strip().split("\t")
25                     word_ids = [
26                         word_dict.get(w, UNK_ID)
27                         for w in line_split[word_col].split()
28                     ]
29                     yield word_ids, label_dict[line_split[lbl_col]]
30 
31     return reader
32 
33 
34 def test_reader(data_dir, word_dict):
35     """
36     建立測試數據reader
37     :param data_dir: 數據地址.
38     :type data_dir: str
39     :param word_dict: 詞典地址,
40         詞典裏必須有 "UNK" .
41     :type word_dict:python dict
42     """
43 
44     def reader():
45         UNK_ID = word_dict["<UNK>"]
46         word_col = 1
47 
48         for file_name in os.listdir(data_dir):
49             with open(os.path.join(data_dir, file_name), "r") as f:
50                 for line in f:
51                     line_split = line.strip().split("\t")
52                     if len(line_split) < word_col: continue
53                     word_ids = [
54                         word_dict.get(w, UNK_ID)
55                         for w in line_split[word_col].split()
56                     ]
57                     yield word_ids, line_split[word_col]
58 
59     return reader

總結

　　這篇文章主要講了在paddlepaddle裏如何加載本身的數據集，轉換成相應的格式，並劃分train和test。咱們在使用一個框架的時候一般會先去跑幾個簡單的demo，可是若是不用常見的demo的數據，本身作一個實際的項目，完整的跑通一個模型，這才表明咱們掌握了這個框架的基本應用知識。跑一個模型第一步就是數據預處理，在paddlepaddle裏，提供的方式很是簡單，可是有不少優勢：

　　shuffle數據很是方便
　　能夠將數據組合成batch訓練
　　能夠利用reader decorator來組合多個reader，提升組合特徵運行模型的效率
　　能夠多線程讀取數據

　　而我以前使用過mxnet來訓練車牌識別的模型，50w的圖片數據想要一次訓練是很是慢的，這樣的話就有兩個解決方法：一是批量訓練，這一點大多數的框架都會有，二是轉換成mxnet特有的rec格式，提升讀取效率，能夠經過im2rec.py將圖片轉換，比較麻煩，若是是tesnorflow，也有相對應的特定格式tfrecord，這幾種方式各有優劣，從易用性上，paddlepaddle是比較簡單的。

　　這篇文章沒有與上篇銜接起來，由於看到有好幾封郵件都有問怎麼本身加載數據訓練，因此就決定插入一節先把這個寫了。下篇文章咱們接着講CNN的進階知識。下週見^_^!

參考文章：

1.官網說明：http://doc.paddlepaddle.org/develop/doc_cn/getstarted/concepts/use_concepts_cn.html