tf.data(二) —— 並行化 tf.data.Dataset 生成器
在處理大規模數據時，數據無法全部載入內存，我們通常用兩個選項
- 使用
tfrecords - 使用
tf.data.Dataset.from_generator()
tfrecords的並行化使用前文已經有過介紹，這裡不再贅述。如果我們不想生成tfrecord中間文件，那麼生成器就是你所需要的。
本文主要記錄針對 from_generator()的並行化方法，在 tf.data 中，並行化主要通過 map和 num_parallel_calls 實現，但是對一些場景，我們的generator()中有一些處理邏輯，是無法直接並行化的，最簡單的方法就是將generator()中的邏輯抽出來，使用map實現。
tf.data.Dataset generator 並行
對generator()中的複雜邏輯，我們對其進行簡化，即僅在生成器中做一些下標取值的類型操作，將generator()中處理部分使用py_function 包裹(wrapped) ，然後調用map處理。
def func(i):
i = i.numpy() # Decoding from the EagerTensor object
x, y = your_processing_function(training_set[i])
return x, y
z = list(range(len(training_set))) # The index generator
dataset = tf.data.Dataset.from_generator(lambda: z, tf.uint8)
dataset = dataset.map(lambda i: tf.py_function(func=func,
inp=[i],
Tout=[tf.uint8,
tf.float32]
),
num_parallel_calls=tf.data.AUTOTUNE)
由於隱式推斷的原因，有時tensor的輸出shape是未知的，需要額外處理
dataset = dataset.batch(8)
def _fixup_shape(x, y):
x.set_shape([None, None, None, nb_channels]) # n, h, w, c
y.set_shape([None, nb_classes]) # n, nb_classes
return x, y
dataset = dataset.map(_fixup_shape)
tf.Tensor與tf.EagerTensor
為什麼需要 tf.py_function，先來看下tf.Tensor與tf.EagerTensor
EagerTensor是實時的，可以在任何時候獲取到它的值，即通過numpy獲取
Tensor是非實時的，它是靜態圖中的組件，只有當喂入數據、運算完成才能獲得該Tensor的值，
map中映射的函數運算，而僅僅是告訴dataset，你每一次拿出來的樣本時要先進行一遍function運算之後才使用的，所以function的調用是在每次迭代dataset的時候才調用的，屬於靜態圖邏輯
tensorflow.python.framework.ops.EagerTensor
tensorflow.python.framework.ops.Tensor
tf.py_function在這裡起了什麼作用？
Wraps a python function into a TensorFlow op that executes it eagerly.
剛才說到map數據靜態圖邏輯，默認參數都是Tensor。而 使用tf.py_function()包裝後，參數就變成了EagerTensor。
references
【1】//medium.com/@acordier/tf-data-dataset-generators-with-parallelization-the-easy-way-b5c5f7d2a18
【2】//blog.csdn.net/qq_27825451/article/details/105247211
【3】//www.tensorflow.org/guide/data_performance#parallelizing_data_extraction
