如何*实际上*在 TensorFlow 中读取 CSV 数据？

Posted 2023-02-23

【中文标题】如何*实际上*在 TensorFlow 中读取 CSV 数据？

【英文标题】：How to *actually* read CSV data in TensorFlow?

【发布时间】：2016-09-02 16:18:13

【问题描述】：

我对 TensorFlow 的世界还比较陌生，并且对您如何实际上将 CSV 数据读入 TensorFlow 中的可用示例/标签张量感到非常困惑。 TensorFlow tutorial on reading CSV data 中的示例非常分散，只能让您在 CSV 数据上进行训练。

这是我根据 CSV 教程拼凑的代码：

from __future__ import print_function
import tensorflow as tf

def file_len(fname):
    with open(fname) as f:
        for i, l in enumerate(f):
            pass
    return i + 1

filename = "csv_test_data.csv"

# setup text reader
file_length = file_len(filename)
filename_queue = tf.train.string_input_producer([filename])
reader = tf.TextLineReader(skip_header_lines=1)
_, csv_row = reader.read(filename_queue)

# setup CSV decoding
record_defaults = [[0],[0],[0],[0],[0]]
col1,col2,col3,col4,col5 = tf.decode_csv(csv_row, record_defaults=record_defaults)

# turn features back into a tensor
features = tf.stack([col1,col2,col3,col4])

print("loading, " + str(file_length) + " line(s)\n")
with tf.Session() as sess:
  tf.initialize_all_variables().run()

  # start populating filename queue
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(coord=coord)

  for i in range(file_length):
    # retrieve a single instance
    example, label = sess.run([features, col5])
    print(example, label)

  coord.request_stop()
  coord.join(threads)
  print("\ndone loading")

这是我正在加载的 CSV 文件中的一个简短示例 - 非常基本的数据 - 4 个特征列和 1 个标签列：

0,0,0,0,0
0,15,0,0,0
0,30,0,0,0
0,45,0,0,0

上面的所有代码都是从 CSV 文件中逐个打印每个示例，虽然不错，但对训练毫无用处。

我在这里苦苦挣扎的是，您实际上如何将这些单独的示例，一个一个地加载，转化为训练数据集。例如，here's a notebook 我正在学习 Udacity 深度学习课程。我基本上想获取我正在加载的 CSV 数据，并将其放入 train_dataset 和 train_labels 之类的东西中：

def reformat(dataset, labels):
  dataset = dataset.reshape((-1, image_size * image_size)).astype(np.float32)
  # Map 2 to [0.0, 1.0, 0.0 ...], 3 to [0.0, 0.0, 1.0 ...]
  labels = (np.arange(num_labels) == labels[:,None]).astype(np.float32)
  return dataset, labels
train_dataset, train_labels = reformat(train_dataset, train_labels)
valid_dataset, valid_labels = reformat(valid_dataset, valid_labels)
test_dataset, test_labels = reformat(test_dataset, test_labels)
print('Training set', train_dataset.shape, train_labels.shape)
print('Validation set', valid_dataset.shape, valid_labels.shape)
print('Test set', test_dataset.shape, test_labels.shape)

我试过像这样使用tf.train.shuffle_batch，但它只是莫名其妙地挂起：

  for i in range(file_length):
    # retrieve a single instance
    example, label = sess.run([features, colRelevant])
    example_batch, label_batch = tf.train.shuffle_batch([example, label], batch_size=file_length, capacity=file_length, min_after_dequeue=10000)
    print(example, label)

所以总结一下，这是我的问题：

我在这个过程中遗漏了什么？

感觉我缺少一些关于如何正确构建输入管道的关键直觉。

有没有办法避免知道 CSV 文件的长度？

必须知道要处理的行数感觉很不雅（上面的for i in range(file_length) 代码行）

---

编辑： 一旦雅罗斯拉夫指出我可能在这里混淆了命令式和图形构造部分，它就开始变得更加清晰。我能够汇总以下代码，我认为这更接近从 CSV 训练模型时通常会执行的操作（不包括任何模型训练代码）：

from __future__ import print_function
import numpy as np
import tensorflow as tf
import math as math
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('dataset')
args = parser.parse_args()

def file_len(fname):
    with open(fname) as f:
        for i, l in enumerate(f):
            pass
    return i + 1

def read_from_csv(filename_queue):
  reader = tf.TextLineReader(skip_header_lines=1)
  _, csv_row = reader.read(filename_queue)
  record_defaults = [[0],[0],[0],[0],[0]]
  colHour,colQuarter,colAction,colUser,colLabel = tf.decode_csv(csv_row, record_defaults=record_defaults)
  features = tf.stack([colHour,colQuarter,colAction,colUser])  
  label = tf.stack([colLabel])  
  return features, label

def input_pipeline(batch_size, num_epochs=None):
  filename_queue = tf.train.string_input_producer([args.dataset], num_epochs=num_epochs, shuffle=True)  
  example, label = read_from_csv(filename_queue)
  min_after_dequeue = 10000
  capacity = min_after_dequeue + 3 * batch_size
  example_batch, label_batch = tf.train.shuffle_batch(
      [example, label], batch_size=batch_size, capacity=capacity,
      min_after_dequeue=min_after_dequeue)
  return example_batch, label_batch

file_length = file_len(args.dataset) - 1
examples, labels = input_pipeline(file_length, 1)

with tf.Session() as sess:
  tf.initialize_all_variables().run()

  # start populating filename queue
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(coord=coord)

  try:
    while not coord.should_stop():
      example_batch, label_batch = sess.run([examples, labels])
      print(example_batch)
  except tf.errors.OutOfRangeError:
    print('Done training, epoch reached')
  finally:
    coord.request_stop()

  coord.join(threads) 

【问题讨论】：

我一直在尝试您的代码，但无法使其正常工作。你确定有什么我想念的吗？谢谢。我在这里发布了一个帖子，以便您了解更多详细信息：***.com/questions/40143019/…

【参考方案1】：

我认为您在这里混淆了命令式和图形构造部分。操作tf.train.shuffle_batch创建了一个新的队列节点，单个节点可以用来处理整个数据集。所以我认为你挂了，因为你在 for 循环中创建了一堆 shuffle_batch 队列并且没有为它们启动队列运行器。

正常的输入管道用法如下所示：

将shuffle_batch 等节点添加到输入管道 （可选，防止无意修改图）最终确定图

--- 图构建结束，命令式编程开始 --

tf.start_queue_runners while(True): session.run()

为了更具可扩展性（避免使用 Python GIL），您可以使用 TensorFlow 管道生成所有数据。但是，如果性能不重要，您可以使用 slice_input_producer. 将 numpy 数组连接到输入管道这是一个示例，其中包含一些 Print 节点以查看发生了什么（Print 中的消息在节点为运行）

tf.reset_default_graph()

num_examples = 5
num_features = 2
data = np.reshape(np.arange(num_examples*num_features), (num_examples, num_features))
print data

(data_node,) = tf.slice_input_producer([tf.constant(data)], num_epochs=1, shuffle=False)
data_node_debug = tf.Print(data_node, [data_node], "Dequeueing from data_node ")
data_batch = tf.batch([data_node_debug], batch_size=2)
data_batch_debug = tf.Print(data_batch, [data_batch], "Dequeueing from data_batch ")

sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())
tf.get_default_graph().finalize()
tf.start_queue_runners()

try:
  while True:
    print sess.run(data_batch_debug)
except tf.errors.OutOfRangeError as e:
  print "No more inputs."

你应该看到这样的东西

[[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]
[[0 1]
 [2 3]]
[[4 5]
 [6 7]]
No more inputs.

“8, 9”数字没有填满整个批次，所以它们没有被生产出来。 tf.Print 也打印到 sys.stdout 中，因此它们分别显示在终端中。

PS：将batch 连接到手动初始化队列的最低限度在github issue 2193

此外，出于调试目的，您可能希望在会话中设置timeout，这样您的 IPython 笔记本就不会挂在空队列出列上。我在会话中使用这个辅助函数

def create_session():
  config = tf.ConfigProto(log_device_placement=True)
  config.gpu_options.per_process_gpu_memory_fraction=0.3 # don't hog all vRAM
  config.operation_timeout_in_ms=60000   # terminate on long hangs
  # create interactive session to register a default session
  sess = tf.InteractiveSession("", config=config)
  return sess

可扩展性说明：

tf.constant 将您的数据副本内联到图表中。 Graph 定义的大小有 2GB 的基本限制，因此这是数据大小的上限 您可以通过使用 v=tf.Variable 并通过在右侧运行带有 tf.placeholder 的 v.assign_op 并将 numpy 数组提供给占位符 (feed_dict) 来将数据保存到该限制中 这仍然会创建两个数据副本，因此为了节省内存，您可以制作自己的 slice_input_producer 版本，它在 numpy 数组上运行，并使用 feed_dict 一次上传一行

【讨论】：

啊，是的！你是完全正确的 - 一旦你说：“我认为你在这里混淆了命令式和图形构造部分”，我开始明白我哪里出错了。我已经发布了对我的问题的编辑，其中包括我放在一起的最新代码，这实际上让我更接近我想要的 - 我能够成功读取 CSV 数据并以我可以训练的方式对其进行批处理模型。

我建议更新此答案，以便它适用于最新版本的 TensorFlow：将 tf.slice_input_producer() 替换为 tf.train.slice_input_producer()（对于其他几个函数也是如此）。并且还在sess.run(tf.initialize_all_variables())之后添加sess.run(tf.initialize_local_variables())。

需要进行更多更改：pack() 现在是 stack()，initialize_all_variables() 应替换为 global_variables_initializer() 和 local_variables_initializer()。

使用 tensorflow 1.0.1，您需要将局部和全局变量初始化为 tf.group(tf.global_variables_initializer(), tf.local_variables_initializer()).run()。由于您使用的是 num_epochs 并且根据 documentation “注意：如果 num_epochs 不是 None，此函数将创建本地计数器 epochs，因此您需要初始化局部变量。”跨度>

【参考方案2】：

或者你可以试试这个，代码使用 pandas 和 numpy 将 Iris 数据集加载到 tensorflow 中，并在会话中打印一个简单的神经元输出。希望对基本的理解有所帮助.... [我还没有添加一个热解码标签的方式]。

import tensorflow as tf 
import numpy
import pandas as pd
df=pd.read_csv('/home/nagarjun/Desktop/Iris.csv',usecols = [0,1,2,3,4],skiprows = [0],header=None)
d = df.values
l = pd.read_csv('/home/nagarjun/Desktop/Iris.csv',usecols = [5] ,header=None)
labels = l.values
data = numpy.float32(d)
labels = numpy.array(l,'str')
#print data, labels

#tensorflow
x = tf.placeholder(tf.float32,shape=(150,5))
x = data
w = tf.random_normal([100,150],mean=0.0, stddev=1.0, dtype=tf.float32)
y = tf.nn.softmax(tf.matmul(w,x))

with tf.Session() as sess:
    print sess.run(y)

【讨论】：

这很有启发性，但如果我理解正确，它并没有显示如何使用数据进行训练......

是的，我会尽快添加它们...这应该很简单不是吗...计算损失，运行优化器我会尽快添加它们

嗨，dividebyzero，对不起，我迟到了！我发现了另一个有趣的链接，并且真正缓解了问题tensorflow.org/tutorials/tflearn....在这里您可以加载 csv 文件，训练它们，执行分类...

@NagarjunGururaj 我可以在普通的tensorflow例程中使用contrib_learn构建的数据集吗？

哪个数据集？你是说鸢尾花还是其他？

【参考方案3】：

您可以使用最新的 tf.data API：

dataset = tf.contrib.data.make_csv_dataset(filepath)
iterator = dataset.make_initializable_iterator()
columns = iterator.get_next()
with tf.Session() as sess:
   sess.run([iteator.initializer])

【参考方案4】：

如果有人来这里寻找一种简单的方法来读取 tf.estimator API 中绝对大且分片的 CSV 文件，那么请看下面我的代码

CSV_COLUMNS = ['ID','text','class']
LABEL_COLUMN = 'class'
DEFAULTS = [['x'],['no'],[0]]  #Default values

def read_dataset(filename, mode, batch_size = 512):
    def _input_fn(v_test=False):
#         def decode_csv(value_column):
#             columns = tf.decode_csv(value_column, record_defaults = DEFAULTS)
#             features = dict(zip(CSV_COLUMNS, columns))
#             label = features.pop(LABEL_COLUMN)
#             return add_engineered(features), label

        # Create list of files that match pattern
        file_list = tf.gfile.Glob(filename)

        # Create dataset from file list
        #dataset = tf.data.TextLineDataset(file_list).map(decode_csv)
        dataset = tf.contrib.data.make_csv_dataset(file_list,
                                                   batch_size=batch_size,
                                                   column_names=CSV_COLUMNS,
                                                   column_defaults=DEFAULTS,
                                                   label_name=LABEL_COLUMN)

        if mode == tf.estimator.ModeKeys.TRAIN:
            num_epochs = None # indefinitely
            dataset = dataset.shuffle(buffer_size = 10 * batch_size)
        else:
            num_epochs = 1 # end-of-input after this

        batch_features, batch_labels = dataset.make_one_shot_iterator().get_next()

        #Begins - Uncomment for testing only -----------------------------------------------------<
        if v_test == True:
            with tf.Session() as sess:
                print(sess.run(batch_features))
        #End - Uncomment for testing only -----------------------------------------------------<
        return add_engineered(batch_features), batch_labels
    return _input_fn

TF.estimator 中的使用示例：

train_spec = tf.estimator.TrainSpec(input_fn = read_dataset(
                                                filename = train_file,
                                                mode = tf.estimator.ModeKeys.TRAIN,
                                                batch_size = 128), 
                                      max_steps = num_train_steps)

【参考方案5】：

2.0 兼容解决方案：此答案可能由上述线程中的其他人提供，但我将提供有助于社区的其他链接。

dataset = tf.data.experimental.make_csv_dataset(
      file_path,
      batch_size=5, # Artificially small to make examples easier to show.
      label_name=LABEL_COLUMN,
      na_value="?",
      num_epochs=1,
      ignore_errors=True, 
      **kwargs)

更多信息请参考Tensorflow Tutorial。

【讨论】：

我发现这个答案（以及教程和文档）非常令人沮丧。用 OP 的话来说，它仍然只是“能够训练 CSV 数据的一部分”。它创建了一个“数据集”（但是什么类型 - 它甚至是 tf.data.Dataset？文档不清楚）并且数据集似乎是面向列的，而不是面向行的。大多数模型需要成批的行传递给他们进行训练——如何实现这一步？我问this question 寻求端到端的例子。

请提供 make_csv_dataset 的端到端示例，而不是仅仅放置抽象级别的文档！