使用tensorflow DataSet实现高效加载变长文本输入

DataSet是tensorflow 1.3版本推出的一个high-level的api，在1.3版本还只是处于测试阶段，1.4版本已经正式推出。

在网上搜了一遍，发现关于使用DataSet加载文本的资料比较少，官方举的例子只是csv格式的，要求csv文件中所有样本必须具有相同的维度，也就是padding必须在写入csv文件之前做掉，这会增加文件的大小。

经过一番折腾试验，这里给出一个DataSet+TFRecords加载变长样本的范例。

首先先把变长的数据写入到TFRecords文件：

def writedata():
xlist = [[1,2,3],[4,5,6,8]]
ylist = [1,2]
#这里的数据只是举个例子来说明样本的文本长度不一样，第一个样本3个词标签1，第二个样本4个词标签2
writer = tf.python_io.TFRecordWriter("train.tfrecords")
for i in range(2):
 x = xlist[i]
 y = ylist[i]
 example = tf.train.Example(features=tf.train.Features(feature={
  "y": tf.train.Feature(int64_list=tf.train.Int64List(value=[y])),
  'x': tf.train.Feature(int64_list=tf.train.Int64List(value=x))
 }))
 writer.write(example.SerializeToString())
writer.close()

然后用DataSet加载：

feature_names = ['x']

def my_input_fn(file_path, perform_shuffle=False, repeat_count=1):
def parse(example_proto):
 features = {"x": tf.VarLenFeature(tf.int64),
   "y": tf.FixedLenFeature([1], tf.int64)}
 parsed_features = tf.parse_single_example(example_proto, features)
 x = tf.sparse_tensor_to_dense(parsed_features["x"])
 x = tf.cast(x, tf.int32)
 x = dict(zip(feature_names, [x]))
 y = tf.cast(parsed_features["y"], tf.int32)
 return x, y

dataset = (tf.contrib.data.TFRecordDataset(file_path)
   .map(parse))
if perform_shuffle:
 dataset = dataset.shuffle(buffer_size=256)
dataset = dataset.repeat(repeat_count)
dataset = dataset.padded_batch(2, padded_shapes=({'x':[6]},[1])) #batch size为2，并且x按maxlen=6来做padding
iterator = dataset.make_one_shot_iterator()
batch_features, batch_labels = iterator.get_next()
return batch_features, batch_labels

next_batch = my_input_fn('train.tfrecords', True)
init = tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
for i in range(1):
 xs, y =sess.run(next_batch)
 print(xs['x'])
 print(y)

注意变长的数据TFRecords解析要用VarLenFeature，然后用sparse_tensor_to_dense转换。

来源：https://blog.csdn.net/lyg5623/article/details/78456915