中国a级毛片免费观看,啦啦啦资源视频在线完整免费高清,真人性囗交69视频,日本毛X片免费视频观看视频

Tensorflow 數(shù)據(jù)讀取有三種方式：

• Preloaded data: 預加載數(shù)據(jù)

• Feeding: Python產(chǎn)生數(shù)據(jù)，再把數(shù)據(jù)喂給后端。

• Reading from file: 從文件中直接讀取

這三種有讀取方式有什么區(qū)別呢？ 我們首先要知道TensorFlow(TF)是怎么樣工作的。

TF的核心是用C++寫的，這樣的好處是運行快，缺點是調(diào)用不靈活。而Python恰好相反，所以結(jié)合兩種語言的優(yōu)勢。涉及計算的核心算子和運行框架是用C++寫的，并提供API給Python。Python調(diào)用這些API，設計訓練模型(Graph)，再將設計好的Graph給后端去執(zhí)行。簡而言之，Python的角色是Design，C++是Run。

一、預加載數(shù)據(jù)：

import tensorflow as tf  

# 設計Graph  

x1 = tf.constant([2, 3, 4])  

x2 = tf.constant([4, 0, 1])  

y = tf.add(x1, x2)  

# 打開一個session --> 計算y  

with tf.Session() as sess:  

    print sess.run(y)  

二、python產(chǎn)生數(shù)據(jù)，再將數(shù)據(jù)喂給后端

import tensorflow as tf  

# 設計Graph  

x1 = tf.placeholder(tf.int16)  

x2 = tf.placeholder(tf.int16)  

y = tf.add(x1, x2)  

# 用Python產(chǎn)生數(shù)據(jù)  

li1 = [2, 3, 4]  

li2 = [4, 0, 1]  

# 打開一個session --> 喂數(shù)據(jù) --> 計算y  

with tf.Session() as sess:  

    print sess.run(y, feed_dict={x1: li1, x2: li2})  

說明：在這里x1, x2只是占位符，沒有具體的值，那么運行的時候去哪取值呢？這時候就要用到sess.run()中的feed_dict參數(shù)，將Python產(chǎn)生的數(shù)據(jù)喂給后端，并計算y。

這兩種方案的缺點：

1、預加載：將數(shù)據(jù)直接內(nèi)嵌到Graph中，再把Graph傳入Session中運行。當數(shù)據(jù)量比較大時，Graph的傳輸會遇到效率問題。

2、用占位符替代數(shù)據(jù)，待運行的時候填充數(shù)據(jù)。

前兩種方法很方便，但是遇到大型數(shù)據(jù)的時候就會很吃力，即使是Feeding，中間環(huán)節(jié)的增加也是不小的開銷，比如數(shù)據(jù)類型轉(zhuǎn)換等等。最優(yōu)的方案就是在Graph定義好文件讀取的方法，讓TF自己去從文件中讀取數(shù)據(jù)，并解碼成可使用的樣本集。

三、從文件中讀取，簡單來說就是將數(shù)據(jù)讀取模塊的圖搭好

1、準備數(shù)據(jù)，構(gòu)造三個文件,A.csv,B.csv,C.csv

$ echo -e "Alpha1,A1\nAlpha2,A2\nAlpha3,A3" > A.csv  

$ echo -e "Bee1,B1\nBee2,B2\nBee3,B3" > B.csv  

$ echo -e "Sea1,C1\nSea2,C2\nSea3,C3" > C.csv  

2、單個Reader，單個樣本

#-*- coding:utf-8 -*-  

import tensorflow as tf  

# 生成一個先入先出隊列和一個QueueRunner,生成文件名隊列  

filenames = ['A.csv', 'B.csv', 'C.csv']  

filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  

# 定義Reader  

reader = tf.TextLineReader()  

key, value = reader.read(filename_queue)  

# 定義Decoder  

example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  

#example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)  

# 運行Graph  

with tf.Session() as sess:  

    coord = tf.train.Coordinator()  #創(chuàng)建一個協(xié)調(diào)器，管理線程  

    threads = tf.train.start_queue_runners(coord=coord)  #啟動QueueRunner, 此時文件名隊列已經(jīng)進隊。  

    for i in range(10):  

        print example.eval(),label.eval()  

    coord.request_stop()  

    coord.join(threads)  

說明：這里沒有使用tf.train.shuffle_batch，會導致生成的樣本和label之間對應不上，亂序了。生成結(jié)果如下：

Alpha1 A2
Alpha3 B1
Bee2 B3
Sea1 C2
Sea3 A1
Alpha2 A3
Bee1 B2
Bee3 C1
Sea2 C3
Alpha1 A2

解決方案：用tf.train.shuffle_batch,那么生成的結(jié)果就能夠?qū)稀?/span>

#-*- coding:utf-8 -*-  

import tensorflow as tf  

# 生成一個先入先出隊列和一個QueueRunner,生成文件名隊列  

filenames = ['A.csv', 'B.csv', 'C.csv']  

filename_queue = tf.train.string_input_producer(filenames, shuffle=False)  

# 定義Reader  

reader = tf.TextLineReader()  

key, value = reader.read(filename_queue)  

# 定義Decoder  

example, label = tf.decode_csv(value, record_defaults=[['null'], ['null']])  

example_batch, label_batch = tf.train.shuffle_batch([example,label], batch_size=1, capacity=200, min_after_dequeue=100, num_threads=2)  

# 運行Graph  

with tf.Session() as sess:  

    coord = tf.train.Coordinator()  #創(chuàng)建一個協(xié)調(diào)器，管理線程  

    threads = tf.train.start_queue_runners(coord=coord)  #啟動QueueRunner, 此時文件名隊列已經(jīng)進隊。  

    for i in range(10):  

        e_val,l_val = sess.run([example_batch, label_batch])  

        print e_val,l_val  

    coord.request_stop()  

    coord.join(threads)  

3、單個Reader,多個樣本,主要也是通過tf.train.shuffle_batch來實現(xiàn)

#-*- coding:utf-8 -*-  

import tensorflow as tf  

filenames = ['A.csv', 'B.csv', &am