将 .tfrecords 文件拆分为多个 .tfrecords 文件

Posted 2023-02-23

【中文标题】将 .tfrecords 文件拆分为多个 .tfrecords 文件

【英文标题】：Split .tfrecords file into many .tfrecords files

【发布时间】：2019-06-28 09:08:04

【问题描述】：

有没有什么方法可以直接将 .tfrecords 文件拆分成多个 .tfrecords 文件，而不用回写每个 Dataset 示例？

【参考方案1】：

在 tensorflow 2.0.0 中，这将起作用：

import tensorflow as tf

raw_dataset = tf.data.TFRecordDataset("input_file.tfrecord")

shards = 10

for i in range(shards):
    writer = tf.data.experimental.TFRecordWriter(f"output_file-part-i.tfrecord")
    writer.write(raw_dataset.shard(shards, i))

【参考方案2】：

你可以使用这样的函数：

import tensorflow as tf

def split_tfrecord(tfrecord_path, split_size):
    with tf.Graph().as_default(), tf.Session() as sess:
        ds = tf.data.TFRecordDataset(tfrecord_path).batch(split_size)
        batch = ds.make_one_shot_iterator().get_next()
        part_num = 0
        while True:
            try:
                records = sess.run(batch)
                part_path = tfrecord_path + '.:03d'.format(part_num)
                with tf.python_io.TFRecordWriter(part_path) as writer:
                    for record in records:
                        writer.write(record)
                part_num += 1
            except tf.errors.OutOfRangeError: break

例如，要将文件 my_records.tfrecord 拆分为每部分 100 条记录，您可以：

split_tfrecord(my_records.tfrecord, 100)

这将创建多个较小的记录文件my_records.tfrecord.000、my_records.tfrecord.001 等。

【参考方案3】：

使用.batch() 而不是.shard() 来避免多次迭代数据集

一种更高效的方法（与使用 tf.data.Dataset.shard() 相比）是使用批处理：

import tensorflow as tf

ITEMS_PER_FILE = 100 # Assuming we are saving 100 items per .tfrecord file


raw_dataset = tf.data.TFRecordDataset('in.tfrecord')

batch_idx = 0
for batch in raw_dataset.batch(ITEMS_PER_FILE):

    # Converting `batch` back into a `Dataset`, assuming batch is a `tuple` of `tensors`
    batch_ds = tf.data.Dataset.from_tensor_slices(tuple([*batch]))
    filename = f'out.tfrecord.batch_idx:03d'

    writer = tf.data.experimental.TFRecordWriter(filename)
    writer.write(batch_ds)

    batch_idx += 1

【参考方案4】：

TensorFlow 2.x 非常有效的方法

正如@yongjieyongjie 所述，您应该使用.batch() 而不是.shard()，以避免根据需要更频繁地迭代数据集。 但是如果你有一个非常大的数据集，对内存来说太大了，它会失败（但不会出错），只给你一些文件和原始数据集的一小部分。

首先，您应该对数据集进行批处理，并使用您希望每个文件拥有的记录数量作为批处理大小（我假设您的数据集已经是序列化格式，否则请参阅here）。

dataset = dataset.batch(ITEMS_PER_FILE)

接下来要做的事情是使用生成器来避免内存不足。

def write_generator():
    i = 0
    iterator = iter(dataset)
    optional = iterator.get_next_as_optional()
    while optional.has_value().numpy():
        ds = optional.get_value()
        optional = iterator.get_next_as_optional()
        batch_ds = tf.data.Dataset.from_tensor_slices(ds)
        writer = tf.data.experimental.TFRecordWriter(save_to + "\\" + name + "-" + str(i) + ".tfrecord", compression_type='GZIP')#compression_type='GZIP'
        i += 1
        yield batch_ds, writer, i
    return

现在只需在普通的 for 循环中使用生成器

for data, wri, i in write_generator():
    start_time = time.time()
    wri.write(data)
    print("Time needed: ", time.time() - start_time, "s", "\t", NAME_OF_FILES + "-" + str(i) + ".tfrecord")

只要一个文件适合内存中的原始文件，这应该可以正常工作。

【参考方案5】：

不均匀的分割

如果您想平均分成大小相等的文件，大多数其他答案都可以使用。这适用于不均匀的分割：

# `splits` is a list of the number of records you want in each output file
def split_files(filename: str, splits: List[int]) -> None:
    dataset: tf.data.Dataset = tf.data.TFRecordDataset(filename)
    rec_counter: int = 0

    # An extra iteration over the data to get the size
    total_records: int = len([r for r in dataset])
    print(f"Found total_records records in source file.")

    if sum(splits) != total_records:
        raise ValueError(f"Sum of splits sum(splits) does not equal "
                         f"total number of records total_records")

    rec_iter:Iterator = iter(dataset)
    split: int
    for split_idx, split in enumerate(splits):
        outfile: str = filename + f".split_idx-split"
        with tf.io.TFRecordWriter(outfile) as writer:
            for out_idx in range(split):
                rec: tf.Tensor = next(rec_iter, None)
                rec_counter +=1
                writer.write(rec.numpy())
        print(f"Finished writing split records to file split_idx")

虽然我认为从技术上讲，OP 询问了without writing back each Dataset example（这就是它的作用），但这至少是在不反序列化每个示例的情况下做到的。

对于非常大的文件，它有点慢。可能有一种方法可以修改其他一些基于批处理的答案，以便使用批处理输入读取但仍然写入不均匀拆分，但我没有尝试过。

【参考方案6】：

分成 N 次分割 （在 tensorflow 1.13.1 中测试）

import os
import hashlib
import tensorflow as tf
from tqdm import tqdm


def split_tfrecord(tfrecord_path, n_splits):
    dataset = tf.data.TFRecordDataset(tfrecord_path)
    outfiles=[]
    for n_split in range(n_splits):
        output_tfrecord_dir = f"os.path.splitext(tfrecord_path)[0]"
        if not os.path.exists(output_tfrecord_dir):
            os.makedirs(output_tfrecord_dir)
        output_tfrecord_path=os.path.join(output_tfrecord_dir, f"n_split:03d.tfrecord")
        out_f = tf.io.TFRecordWriter(output_tfrecord_path)
        outfiles.append(out_f)

    for record in tqdm(dataset):
        sample = tf.train.Example()
        record = record.numpy()
        sample.ParseFromString(record)

        idx = int(hashlib.sha1(record).hexdigest(),16) % n_splits
        outfiles[idx].write(example.SerializeToString())

    for file in outfiles:
        file.close()