在 TensorFlow 中获取数据集的长度

Posted 2023-02-23

【中文标题】在 TensorFlow 中获取数据集的长度

【英文标题】：Get length of a dataset in Tensorflow

【发布时间】：2018-05-23 23:17:57

【问题描述】：

source_dataset = tf.data.TextLineDataset('primary.csv')
target_dataset = tf.data.TextLineDataset('secondary.csv')
dataset = tf.data.Dataset.zip((source_dataset, target_dataset))
dataset = dataset.shard(10000, 0)
dataset = dataset.map(lambda source, target: (tf.string_to_number(tf.string_split([source], delimiter=',').values, tf.int32),
                                              tf.string_to_number(tf.string_split([target], delimiter=',').values, tf.int32)))
dataset = dataset.map(lambda source, target: (source, tf.concat(([start_token], target), axis=0), tf.concat((target, [end_token]), axis=0)))
dataset = dataset.map(lambda source, target_in, target_out: (source, tf.size(source), target_in, target_out, tf.size(target_in)))

dataset = dataset.shuffle(NUM_SAMPLES)  #This is the important line of code

我想完全洗牌我的整个数据集，但shuffle() 需要提取大量样本，而tf.Size() 不适用于tf.data.Dataset。

如何正确洗牌？

【问题讨论】：

它应该是您较小的 csv 文件的大小。我不知道 Tensorflow 中有返回数据集长度的函数或属性。

来自documentation：结果数据集中元素的数量与最小数据集的大小相同

zip() 的工作方式相同；当 StopIteration 被提出时迭代结束（由最短的对象）。

【参考方案1】：

我正在使用 tf.data.FixedLengthRecordDataset() 并遇到了类似的问题。 就我而言，我试图只获取一定比例的原始数据。 由于我知道所有记录都有固定长度，因此我的解决方法是：

totalBytes = sum([os.path.getsize(os.path.join(filepath, filename)) for filename in os.listdir(filepath)])
numRecordsToTake = tf.cast(0.01 * percentage * totalBytes / bytesPerRecord, tf.int64)
dataset = tf.data.FixedLengthRecordDataset(filenames, recordBytes).take(numRecordsToTake)

在您的情况下，我的建议是直接在 python 中计算“primary.csv”和“secondary.csv”中的记录数。或者，我认为出于您的目的，设置 buffer_size 参数并不需要计算文件。根据the accepted answer about the meaning of buffer_size，大于数据集中元素数量的数字将确保整个数据集中的统一随机播放。因此，只需输入一个非常大的数字（您认为会超过数据集的大小）就可以了。

【参考方案2】：

从 TensorFlow 2 开始，可以通过 cardinality() 函数轻松检索数据集的长度。

dataset = tf.data.Dataset.range(42)
#both print 42 
dataset_length_v1 = tf.data.experimental.cardinality(dataset).numpy())
dataset_length_v2 = dataset.cardinality().numpy()

注意：当使用谓词时，例如过滤器，返回的长度可能是-2。可以参考here的解释，否则就看下面这段：

如果使用过滤谓词，基数可能返回值-2，因此未知；如果您确实在数据集上使用过滤谓词，请确保您已经以另一种方式计算了数据集的长度（例如，在对其应用 .from_tensor_slices() 之前，pandas 数据帧的长度。

【讨论】：

这对我尝试过的两个数据集都给出了-2。

是的，这就是为什么