OFRecord 數據集加載
在數據輸入一文中知道了使用 DataLoader 及相關算子加載數據，往往效率更高，并且學習了如何使用 DataLoader 及相關算子。
在 OFrecord 數據格式中，學習了 OFRecord 文件的存儲格式。
本文，將圍繞 OneFlow 的 OFRecord 數據集的加載與制作展開，主要包括：
? OFRecord 數據集的組織形式
? 加載 OFRecord 數據集的多種方式
? OFRecord 數據集與其它數據格式的相互轉化
什么是OFRecord數據集
在 OFrecord 數據格式中已經介紹過 OFRecord 文件 的存儲格式，知道了什么是 OFRecord文件。
OFRecord 數據集是 OFRecord 文件的集合 。將多個 OFRecord文件，按照 OneFlow 約定的文件名格式，存放在同一個目錄中，就得到了 OFRecord 數據集。
默認情況下，OFRecord 數據集目錄中的文件，統一以 part-xxx 的方式命名，其中的 “xxx” 是從0開始的文件編號，有補齊和不補齊兩種選擇。
以下是沒有采用補齊的命名風格示例：
mnist_kaggle/train/
├── part-0
├── part-1
├── part-10
├── part-11
├── part-12
├── part-13
├── part-14
├── part-15
├── part-2
├── part-3
├── part-4
├── part-5
├── part-6
├── part-7
├── part-8
└── part-9
以下是有補齊的命名風格：
mnist_kaggle/train/
├── part-00000
├── part-00001
├── part-00002
├── part-00003
├── part-00004
├── part-00005
├── part-00006
├── part-00007
├── part-00008
├── part-00009
├── part-00010
├── part-00011
├── part-00012
├── part-00013
├── part-00014
├── part-00015
OneFlow 采用此約定，與 spark 的默認存儲的文件名一致，方便使用 spark 制作與轉化 OFRecord 數據。
實際上，文件名前綴(part-)、文件名編號是否補齊、按多少位補齊，均可以自行指定，只需要在加載數據集(下文會介紹)時，保持相關參數一致即可。
OneFlow 提供了加載 OFRecord 數據集的接口，使得只要指定數據集目錄的路徑，就可以享受 OneFlow 框架所帶來的多線程、數據流水線等優勢。
加載OFRecord數據集的方法
使用 ofrecord_reader 加載并預處理數據集。
在數據輸入一文中，已經展示了如何使用 ofrecord_reader 接口加載 OFRecord 數據，并進行數據預處理。
代碼見：of_data_pipeline.py
ofrecord_reader 的接口如下：
def ofrecord_reader(
ofrecord_dir,
batch_size=1,
data_part_num=1,
part_name_prefix=“part-”,
part_name_suffix_length=-1,
random_shuffle=False,
shuffle_buffer_size=1024,
shuffle_after_epoch=False,
name=None,
)
? ofrecord_dir 指定存放數據集的目錄路徑
? batch_size 指定每輪讀取的 batch 大小
? data_part_num 指定數據集目錄中一共有多少個 ofrecord 格式的文件，如果這個數字大于真實存在的文件數，會報錯
? part_name_prefix 指定 ofrecord 文件的文件名前綴， OneFlow 根據前綴+序號在數據集目錄中定位 ofrecord 文件
? part_name_suffix_length 指定 ofrecord 文件的序號的對齊長度，-1表示不用對齊
? random_shuffle 表示讀取時是否需要隨機打亂樣本順序
? shuffle_buffer_size 指定了讀取樣本的緩沖區大小
? shuffle_after_epoch 表示每輪讀取完后是否需要重新打亂樣本順序
使用 ofrecord_reader 的好處在于， ofrecord_reader 作為一個普通算子，參與 OneFlow 構圖優化，并享有 OneFlow 流水線加速。
對于與業務邏輯耦合的特定操作（如解碼、解壓等），還可以為 ofrecord_reader 定義預處理 op，讓程序擁有很高的靈活性和擴展性。
? 關于 DataLoader 及相關算子使用可以參考數據輸入
? 關于自定義 Op 可以參考用戶自定義 op
其它格式數據與 OFRecord 數據集的相互轉化
參考OFrecord數據格式中 OFRecord 文件的存儲格式及本文開頭介紹的 OFRecord 數據集的文件名格式約定，完全可以自己制作 OFRecord 數據集。
不過為了更加方便，提供了 Spark 的 jar 包，方便 OFRecord 與常見數據格式(如 TFRecord、json)進行相互轉化。
spark 的安裝與啟動
首先，下載 spark 及 spark-oneflow-connector：
? 在 spark 官網下載spark-2.4.0-bin-hadoop2.7
? 在這里下載 jar 包，spark 需要它來支持 ofrecord 格式
接著，解壓 spark-2.4.0-bin-hadoop2.7.tgz，并配置環境變量 SPARK_HOME:
export SPARK_HOME=path/to/spark-2.4.0-bin-hadoop2.7
然后，通過以下命令啟動 pyspark shell：
pyspark --master “local[*]”
–jars spark-oneflow-connector-assembly-0.1.0_int64.jar
–packages org.tensorflow:spark-tensorflow-connector_2.11:1.13.1
…
Welcome to
____ __
/ / ___ / /
\ / _ / _ `/ __/ '/
/ / ._/_,// //_\ version 2.4.0
//

Using Python version 3.6.10 (default, May 8 2020 02:54:21)
SparkSession available as ‘spark’.

在啟動的 pyspark shell 中，可以完成 OFRecord 數據集與其它數據格式的相互轉化。
使用 spark 查看 OFRecord 數據集
使用以下命令可以查看 OFRecord 數據：
spark.read.format(“ofrecord”).load(“file:///path/to/ofrecord_file”).show()
默認顯示前20條數據:
±-------------------±-----+
| images|labels|
±-------------------±-----+
|[0.33967614, 0.87…| 2|
|[0.266905, 0.9730…| 3|
|[0.66661334, 0.67…| 1|
|[0.91943026, 0.89…| 6|
|[0.014844197, 0.0…| 6|
|[0.5366513, 0.748…| 4|
|[0.055148937, 0.7…| 7|
|[0.7814437, 0.228…| 4|
|[0.31193638, 0.55…| 3|
|[0.20034336, 0.24…| 4|
|[0.09441255, 0.07…| 3|
|[0.5177533, 0.397…| 0|
|[0.23703437, 0.44…| 9|
|[0.9425567, 0.859…| 9|
|[0.017339867, 0.0…| 3|
|[0.827106, 0.3122…| 0|
|[0.8641392, 0.194…| 2|
|[0.95585227, 0.29…| 3|
|[0.7508129, 0.464…| 4|
|[0.035597708, 0.3…| 9|
±-------------------±-----+
only showing top 20 rows
與 TFRecord 數據集的相互轉化
以下命令可以將 TFRecord 轉化為 OFRecrod：
reader = spark.read.format(“tfrecords”)
dataframe = reader.load(“file:///path/to/tfrecord_file”)
writer = dataframe.write.format(“ofrecord”)
writer.save(“file:///path/to/outputdir”)
以上代碼中的 outputdir 目錄會被自動創建，并在其中保存 ofrecord 文件。在執行命令前應保證 outputdir 目錄不存在。
此外，還可以使用以下命令，在轉化的同時，將數據切分為多個 ofrecord 文件：
reader = spark.read.format(“tfrecords”)
dataframe = reader.load(“file:///path/to/tfrecord_file”)
writer = dataframe.repartition(10).write.format(“ofrecord”)
writer.save(“file://path/to/outputdir”)
以上命令執行后，在 outputdir 目錄下會產生10個 part-xxx 格式的ofrecord文件。
將 OFRecord 文件轉為 TFRecord 文件的過程類似，交換讀/寫方的 format 即可：
reader = spark.read.format(“ofrecord”)
dataframe = reader.load(“file:///path/to/ofrecord_file”)
writer = dataframe.write.format(“tfrecords”)
writer.save(“file:///path/to/outputdir”)
與 JSON 格式的相互轉化
以下命令可以將 JSON 格式數據轉為 OFRecord 數據集:
dataframe = spark.read.json(“file:///path/to/json_file”)
writer = dataframe.write.format(“ofrecord”)
writer.save(“file:///path/to/outputdir”)
以下命令將 OFRecord 數據轉為 JSON 文件：
reader = spark.read.format(“ofrecord”)
dataframe = reader.load(“file:///path/to/ofrecord_file”)
dataframe.write.json(“file://path/to/outputdir”)

總結

以上是生活随笔為你收集整理的OFRecord 数据集加载的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。