TensorFlow2.0（10）：加載自定義圖片數據集到Dataset
- 2019 年 11 月 15 日
- 筆記
前面的博客中我們說過，在加載數據和預處理數據時使用tf.data.Dataset對象將極大將我們從建模前的數據清理工作中釋放出來，那麼，怎麼將自定義的數據集加載為DataSet對象呢？這對很多新手來說都是一個難題，因為絕大多數案例教學都是以mnist數據集作為例子講述如何將數據加載到Dataset中，而英文資料對這方面的介紹隱藏得有點深。本文就來捋一捋如何加載自定義的圖片數據集實現圖片分類，後續將繼續介紹如何加載自定義的text、mongodb等數據。
如果你已有數據集，那麼，請將所有數據存放在同一目錄下，然後將不同類別的圖片分門別類地存放在不同的子目錄下,目錄樹如下所示：
$ tree flower_photos -L 1
flower_photos
├── daisy
├── dandelion
├── LICENSE.txt
├── roses
├── sunflowers
└── tulips
所有的數據都存放在flower_photos目錄下，每一個子目錄（daisy、dandelion等等）存放的都是一個類別的圖片。如果你已有自己的數據集，那就按上面的結構來存放，如果沒有，想操作學習一下，你可以通過下面代碼下載上述圖片數據集：
import tensorflow as tf import pathlib data_root_orig = tf.keras.utils.get_file(origin='https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz', fname='flower_photos', untar=True) data_root = pathlib.Path(data_root_orig) print(data_root) # 打印出數據集所在目錄
下載好後，建議將整個flower_photos目錄移動到項目根目錄下。
import tensorflow as tf import random import pathlib data_path = pathlib.Path('./data/flower_photos') all_image_paths = list(data_path.glob('*/*')) all_image_paths = [str(path) for path in all_image_paths] # 所有圖片路徑的列表 random.shuffle(all_image_paths) # 打散 image_count = len(all_image_paths) image_count
3670
查看一下前5張：
all_image_paths[:5]
['data/flower_photos/sunflowers/9448615838_04078d09bf_n.jpg', 'data/flower_photos/roses/15222804561_0fde5eb4ae_n.jpg', 'data/flower_photos/daisy/18622672908_eab6dc9140_n.jpg', 'data/flower_photos/roses/459042023_6273adc312_n.jpg', 'data/flower_photos/roses/16149016979_23ef42b642_m.jpg']
讀取圖片的同時，我們也不能忘記圖片與標籤的對應，要創建一個對應的列表來存放圖片標籤，不過，這裡所說的標籤不是daisy、dandelion這些具體分類名，而是整型的索引，畢竟在建模的時候y值一般都是整型數據，所以要創建一個字典來建立分類名與標籤的對應關係：
label_names = sorted(item.name for item in data_path.glob('*/') if item.is_dir()) label_names
['daisy', 'dandelion', 'roses', 'sunflowers', 'tulips']
label_to_index = dict((name, index) for index, name in enumerate(label_names)) label_to_index
{'daisy': 0, 'dandelion': 1, 'roses': 2, 'sunflowers': 3, 'tulips': 4}
all_image_labels = [label_to_index[pathlib.Path(path).parent.name] for path in all_image_paths]
for image, label in zip(all_image_paths[:5], all_image_labels[:5]): print(image, ' ---> ', label)
data/flower_photos/sunflowers/9448615838_04078d09bf_n.jpg ---> 3 data/flower_photos/roses/15222804561_0fde5eb4ae_n.jpg ---> 2 data/flower_photos/daisy/18622672908_eab6dc9140_n.jpg ---> 0 data/flower_photos/roses/459042023_6273adc312_n.jpg ---> 2 data/flower_photos/roses/16149016979_23ef42b642_m.jpg ---> 2
好了，現在我們可以創建一個Dataset了：
ds = tf.data.Dataset.from_tensor_slices((all_image_paths, all_image_labels))
不過，這個ds可不是我們想要的，畢竟，裏面的元素只是圖片路徑，所以我們要進一步處理。這個處理包含讀取圖片、重新設置圖片大小、歸一化、轉換類型等操作，我們將這些操作統統定義到一個方法里：
def load_and_preprocess_from_path_label(path, label): image = tf.io.read_file(path) # 讀取圖片 image = tf.image.decode_jpeg(image, channels=3) image = tf.image.resize(image, [192, 192]) # 原始圖片大小為(266, 320, 3)，重設為(192, 192) image /= 255.0 # 歸一化到[0,1]範圍 return image, label
image_label_ds = ds.map(load_and_preprocess_from_path_label)
image_label_ds
<MapDataset shapes: ((192, 192, 3), ()), types: (tf.float32, tf.int32)>
這時候，其實就已經將自定義的圖片數據集加載到了Dataset對象中，不過，我們還能秀，可以繼續shuffle隨機打散、分割成batch、數據repeat操作。這些操作有幾點需要注意：
（1）先shuffle、repeat、batch三種操作順序有講究：
- 在repeat之後shuffle，會在epoch之間數據隨機（當有些數據出現兩次的時候，其他數據還沒有出現過）
- 在batch之後shuffle，會打亂batch的順序，但是不會在batch之間打亂數據。
（2）shuffle操作時，buffer_size越大，打亂效果越好，但消耗內存越大，可能造成延遲。
推薦通過使用 tf.data.Dataset.apply 方法和融合過的 tf.data.experimental.shuffle_and_repeat 函數來執行這些操作:
ds = image_label_ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count)) BATCH_SIZE = 32 ds = ds.batch(BATCH_SIZE)
好了，至此，本文內容其實就結束了，因為已經將自定義的圖片數據集加載到了Dataset中。
下面的內容作為擴展閱讀。
擴展¶
上面的方法是簡單的在每次epoch迭代中單獨讀取每個文件，在本地使用 CPU 訓練時這個方法是可行的，但是可能不足以進行GPU訓練並且完全不適合任何形式的分佈式訓練。
可以使用tf.data.Dataset.cache在epoch迭代過程間緩存計算結果。這能極大提升程序效率，特別是當內存能容納全部數據時。
在被預處理之後（解碼和調整大小），圖片就被緩存了：
ds = image_label_ds.cache() # 緩存 ds = ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
使用內存緩存的一個缺點是必須在每次運行時重建緩存，這使得每次啟動數據集時有相同的啟動延遲。如果內存不夠容納數據，使用一個緩存文件：
ds = image_label_ds.cache(filename='./cache.tf-data') ds = ds.apply(tf.data.experimental.shuffle_and_repeat(buffer_size=image_count))
