【深度学习系列】PaddlePaddle之数据预处理

浏览: 1389

作者:Charlotte77  数学系的数据挖掘民工  

博客专栏:http://www.cnblogs.com/charlotte77/ 
个人公众号:Charlotte数据挖掘(ID:CharlotteDataMining)  

精彩回顾:

【深度学习系列】PaddlePaddle之手写数字识别

【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理

上篇文章讲了卷积神经网络的基本知识,本来这篇文章准备继续深入讲CNN的相关知识和手写CNN,但是有很多同学跟我发邮件或私信问我关于PaddlePaddle如何读取数据、做数据预处理相关的内容。网上看的很多教程都是几个常见的例子,数据集不需要自己准备,所以不需要关心,但是实际做项目的时候做数据预处理感觉一头雾水,所以我就写一篇文章汇总一下,讲讲如何用PaddlePaddle做数据预处理。


PaddlePaddle的基本数据格式

  根据官网的资料,总结出PaddlePaddle支持多种不同的数据格式,包括四种数据类型和三种序列格式:

四种数据类型

  • dense_vector:稠密的浮点数向量。

  • sparse_binary_vector:稀疏的二值向量,即大部分值为0,但有值的地方必须为1。

  • sparse_float_vector:稀疏的向量,即大部分值为0,但有值的部分可以是任何浮点数。

  • integer:整型格式

api如下:

  • paddle.v2.data_type.dense_vector(dim, seq_type=0)

    • dim(int) 向量维度

    • seq_type(int)输入的序列格式

    • 说明:稠密向量,输入特征是一个稠密的浮点向量。举个例子,手写数字识别里的输入图片是28*28的像素,Paddle的神经网络的输入应该是一个784维的稠密向量。

    • 参数:

    • 返回类型:InputType

  • paddle.v2.data_type.sparse_binary_vector(dim, seq_type=0)

    • 说明:稀疏的二值向量。输入特征是一个稀疏向量,这个向量的每个元素要么是0,要么是1

    • 参数:同上

    • 返回类型:同上

  • paddle.v2.data_type.sparse_vector(dim, seq_type=0)

    • 说明:稀疏向量,向量里大多数元素是0,其他的值可以是任意的浮点值

    • 参数:同上

    • 返回类型:同上

  • paddle.v2.data_type.integer_value(value_range, seq_type=0)

    • seq_type(int):输入的序列格式

    • value_range(int):每个元素的范围

    • 说明:整型格式

    • 参数:  

    • 返回类型:InputType

三种序列格式:

  • SequenceType.NO_SEQUENCE:不是一条序列

  • SequenceType.SEQUENCE:是一条时间序列

  • SequenceType.SUB_SEQUENCE: 是一条时间序列,且序列的每一个元素还是一个时间序列。

api如下:

  • paddle.v2.data_type.dense_vector_sequence(dim, seq_type=0)


    • 说明:稠密向量的序列格式

    • 参数:dim(int):稠密向量的维度

    • 返回类型:InputType

  • paddle.v2.data_type.sparse_binary_vector_sequence(dim, seq_type=0)

    • 说明:稀疏的二值向量序列。每个序列里的元素要么是0要么是1

    • 参数:dim(int):稀疏向量的维度

    • 返回类型:InputType

  • paddle.v2.data_type.sparse_non_value_slot(dim, seq_type=0)


    • dim(int):稀疏向量的维度

    • seq_type(int):输入的序列格式

    • 说明:稀疏的向量序列。每个序列里的元素要么是0要么是1

    • 参数:

    • 返回类型:InputType

  • paddle.v2.data_type.sparse_value_slot(dim, seq_type=0)

    • dim(int):稀疏向量的维度


    • seq_type(int):输入的序列格式

    • 说明:稀疏的向量序列,向量里大多数元素是0,其他的值可以是任意的浮点值

    • 参数:

    • 返回类型:InputType

    • 说明:value_range(int):每个元素的范围

    • paddle.v2.data_type.integer_value_sequence(value_range, seq_type=0)


  不同的数据类型和序列模式返回的格式不同,如下表:

image.png

其中f表示浮点数,i表示整数

注意:对sparse_binary_vector和sparse_float_vector,PaddlePaddle存的是有值位置的索引。例如,

  • 对一个5维非序列的稀疏01向量 [0, 1, 1, 0, 0] ,类型是sparse_binary_vector,返回的是 [1, 2] 。(因为只有第1位和第2位有值)

  • 对一个5维非序列的稀疏浮点向量 [0, 0.5, 0.7, 0, 0] ,类型是sparse_float_vector,返回的是 [(1, 0.5), (2, 0.7)] 。(因为只有第一位和第二位有值,分别是0.5和0.7)


 

PaddlePaddle的数据读取方式

  我们了解了上文的四种基本数据格式和三种序列模式后,在处理自己的数据时可以根据需求选择,但是处理完数据后如何把数据放到模型里去训练呢?我们知道,基本的方法一般有两种:

  • 一次性加载到内存:模型训练时直接从内存中取数据,不需要大量的IO消耗,速度快,适合少量数据。

  • 加载到磁盘/HDFS/共享存储等:这样不用占用内存空间,在处理大量数据时一般采取这种方式,但是缺点是每次数据加载进来也是一次IO的开销,非常影响速度。

 

  在PaddlePaddle中我们可以有三种模式来读取数据:分别是reader、reader creator和reader decorator,这三者有什么区别呢?

  • reader:从本地、网络、分布式文件系统HDFS等读取数据,也可随机生成数据,并返回一个或多个数据项。

  • reader creator:一个返回reader的函数。

  • reader decorator:装饰器,可组合一个或多个reader。

 

  reader

  我们先以reader为例,为房价数据(斯坦福吴恩达的公开课第一课举例的数据)创建一个reader:

  1. 创建一个reader,实质上是一个迭代器,每次返回一条数据(此处以房价数据为例)


reader = paddle.dataset.uci_housing.train()


  2. 创建一个shuffle_reader,把上一步的reader放进去,配置buf_size就可以读取buf_size大小的数据自动做shuffle,让数据打乱,随机化


shuffle_reader = paddle.reader.shuffle(reader,buf_size= 100)


  3.创建一个batch_reader,把上一步混洗好的shuffle_reader放进去,给定batch_size,即可创建。


batch_reader = paddle.batch(shuffle_reader,batch_size = 2)


 

  这三种方式也可以组合起来放一块:


reader = paddle.batch(
   paddle.reader.shuffle(
       uci_housing.train(),
   buf_size = 100),
   batch_size=2)    


   可以以一个直观的图来表示:

image.png

从图中可以看到,我们可以直接从原始数据集里拿去数据,用reader读取,一条条灌倒shuffle_reader里,在本地随机化,把数据打乱,做shuffle,然后把shuffle后的数据,一个batch一个batch的形式,批量的放到训练器里去进行每一步的迭代和训练。 流程简单,而且只需要使用一行代码即可实现整个过程。 

 

  reader creator

  如果想要生成一个简单的随机数据,以reader creator为例:


def reader_creator():    def reader():        while True:            yield numpy.random.uniform(-1,1,size=784)    return reader


   源码见creator.py, 支持四种格式:np_array,text_file,RecordIO和cloud_reader

__all__ = ['np_array', 'text_file', "cloud_reader"]

def np_array(x):

    """

    Creates a reader that yields elements of x, if it is a

    numpy vector. Or rows of x, if it is a numpy matrix.

    Or any sub-hyperplane indexed by the highest dimension.

    :param x: the numpy array to create reader from.

    :returns: data reader created from x.

    """

    def reader():

        if x.ndim < 1:

            yield x


        for e in x:

            yield e

    return reader

def text_file(path):

    """

    Creates a data reader that outputs text line by line from given text file.

    Trailing new line ('\\\\n') of each line will be removed.

    :path: path of the text file.

    :returns: data reader of text file

    """


    def reader():

        f = open(path, "r")

        for l in f:

            yield l.rstrip('\n')

        f.close()

    return reader

def recordio(paths, buf_size=100):

    """

    Creates a data reader from given RecordIO file paths separated by ",",

        glob pattern is supported.

    :path: path of recordio files, can be a string or a string list.

    :returns: data reader of recordio files.

    """


    import recordio as rec

    import paddle.v2.reader.decorator as dec

    import cPickle as pickle


    def reader():

        if isinstance(paths, basestring):

            path = paths

        else:

            path = ",".join(paths)

        f = rec.reader(path)

        while True:

            r = f.read()

            if r is None:

                break

            yield pickle.loads(r)

        f.close()

    return dec.buffered(reader, buf_size)

pass_num = 0

def cloud_reader(paths, etcd_endpoints, timeout_sec=5, buf_size=64):

    """

    Create a data reader that yield a record one by one from

        the paths:

    :paths: path of recordio files, can be a string or a string list.

    :etcd_endpoints: the endpoints for etcd cluster

    :returns: data reader of recordio files.

    ..  code-block:: python

        from paddle.v2.reader.creator import cloud_reader

        etcd_endpoints = "http://127.0.0.1:2379"

        trainer.train.(

            reader=cloud_reader(["/work/dataset/uci_housing/uci_housing*"], etcd_endpoints),

        )

    """

    import os

    import cPickle as pickle

    import paddle.v2.master as master

    c = master.client(etcd_endpoints, timeout_sec, buf_size)


    if isinstance(paths, basestring):

        path = [paths]

    else:

        path = paths

    c.set_dataset(path)


    def reader():

        global pass_num

        c.paddle_start_get_records(pass_num)

        pass_num += 1


        while True:

            r, e = c.next_record()

            if not r:

                if e != -2:

                    print "get record error: ", e

                break

            yield pickle.loads(r)


    return reader

reader decorator

  如果想要读取同时读取两部分的数据,那么可以定义两个reader,合并后对其进行shuffle。如我想读取所有用户对比车系的数据和浏览车系的数据,可以定义两个reader,分别为contrast()和view(),然后通过预定义的reader decorator缓存并组合这些数据,在对合并后的数据进行乱序操作。源码见decorator.py


data = paddle.reader.shuffle(
       paddle.reader.compose(
           paddle.reader(contradt(contrast_path),buf_size = 100),
           paddle.reader(view(view_path),buf_size = 200),            500)


   

  这样有一个很大的好处,就是组合特征来训练变得更容易了!传统的跑模型的方法是,确定label和feature,尽可能多的找合适的feature扔到模型里去训练,这样我们就需要做一张大表,训练完后我们可以分析某些特征的重要性然后重新增加或减少一些feature来进行训练,这样我们有需要对原来的label-feature表进行修改,如果数据量小没啥影响,就是麻烦点,但是数据量大的话需要每一次增加feature,和主键、label来join的操作都会很耗时,如果采取这种方式的话,我们可以对某些同一类的特征做成一张表,数据存放的地址存为一个变量名,每次跑模型的时候想选取几类特征,就创建几个reader,用reader decorator 组合起来,最后再shuffle灌倒模型里去训练。这!样!是!不!是!很!方!便!

  如果没理解,我举一个实例,假设我们要预测用户是否会买车,label是买车 or 不买车,feature有浏览车系、对比车系、关注车系的功能偏好等等20个,传统的思维是做成这样一张表:

image.png

 如果想要减少feature_2,看看feature_2对模型的准确率影响是否很大,那么我们需要在这张表里去掉这一列,想要增加一个feature的话,也需要在feature里增加一列,如果用reador decorator的话,我们可以这样做数据集:

image.png

 把相同类型的feature放在一起,不用频繁的join减少时间,一共做四个表,创建4个reador:

data = paddle.reader.shuffle(

            paddle.reader.compose(

                paddle.reader(table1(table1_path),buf_size = 100),

                paddle.reader(table2(table2_path),buf_size = 100),

                paddle.reader(table3(table3_path),buf_size = 100),

                paddle.reader(table4(table4_path),buf_size = 100),

            500)

 如果新发现了一个特征,想尝试这个特征对模型提高准确率有没有用,可以再单独把这个特征数据提取出来,再增加一个reader,用reader decorator组合起来,shuffle后放入模型里跑就行了。

 


 

PaddlePaddle的数据预处理实例

  还是以手写数字为例,对数据进行处理后并划分train和test,只需要4步即可:

1.指定数据地址


import paddle.v2.dataset.common

import subprocess

import numpy

import platform

__all__ = ['train', 'test', 'convert']


URL_PREFIX = 'http://yann.lecun.com/exdb/mnist/'

TEST_IMAGE_URL = URL_PREFIX + 't10k-images-idx3-ubyte.gz'

TEST_IMAGE_MD5 = '9fb629c4189551a2d022fa330f9573f3'

TEST_LABEL_URL = URL_PREFIX + 't10k-labels-idx1-ubyte.gz'

TEST_LABEL_MD5 = 'ec29112dd5afa0611ce80d1b7f02629c'

TRAIN_IMAGE_URL = URL_PREFIX + 'train-images-idx3-ubyte.gz'

TRAIN_IMAGE_MD5 = 'f68b3c2dcbeaaa9fbdd348bbdeb94873'

TRAIN_LABEL_URL = URL_PREFIX + 'train-labels-idx1-ubyte.gz'

TRAIN_LABEL_MD5 = 'd53e105ee54ea40749a09fcbcd1e9432'

 

2.创建reader creator


def reader_creator(image_filename, label_filename, buffer_size):

    # 创建一个reader

    def reader():

        if platform.system() == 'Darwin':

            zcat_cmd = 'gzcat'

        elif platform.system() == 'Linux':

            zcat_cmd = 'zcat'

        else:

            raise NotImplementedError()


        m = subprocess.Popen([zcat_cmd, image_filename], stdout=subprocess.PIPE)

        m.stdout.read(16)  


        l = subprocess.Popen([zcat_cmd, label_filename], stdout=subprocess.PIPE)

        l.stdout.read(8)  


        try:  # reader could be break.

            while True:

                labels = numpy.fromfile(

                    l.stdout, 'ubyte', count=buffer_size).astype("int")


                if labels.size != buffer_size:

                    break  # numpy.fromfile returns empty slice after EOF.


                images = numpy.fromfile(

                    m.stdout, 'ubyte', count=buffer_size * 28 * 28).reshape(

                        (buffer_size, 28 * 28)).astype('float32')


                images = images / 255.0 * 2.0 - 1.0


                for i in xrange(buffer_size):

                    yield images[i, :], int(labels[i])

        finally:

            m.terminate()

            l.terminate()


    return reader

3.创建训练集和测试集


def train():

    """

    创建mnsit的训练集 reader creator

    返回一个reador creator,每个reader里的样本都是图片的像素值,在区间[0,1]内,label为0~9

    返回:training reader creator

    """

    return reader_creator(

        paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist',

                                          TRAIN_IMAGE_MD5),

        paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist',

                                          TRAIN_LABEL_MD5), 100)



def test():

    """

    创建mnsit的测试集 reader creator

    返回一个reador creator,每个reader里的样本都是图片的像素值,在区间[0,1]内,label为0~9

    返回:testreader creator

    """

    return reader_creator(

        paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist',

                                          TEST_IMAGE_MD5),

        paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist',

                                          TEST_LABEL_MD5), 100)

4.下载数据并转换成相应格式


def fetch():

    paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist', TRAIN_IMAGE_MD5)

    paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)

    paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist', TEST_IMAGE_MD5)

    paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)



def convert(path):

    """

    将数据格式转换为 recordio format

    """

    paddle.v2.dataset.common.convert(path, train(), 1000, "minist_train")

    paddle.v2.dataset.common.convert(path, test(), 1000, "minist_test")

 如果想换成自己的训练数据,只需要按照步骤改成自己的数据地址,创建相应的reader creator(或者reader decorator)即可。

 

  这是图像的例子,如果我们想训练一个文本模型,做一个情感分析,这个时候如何处理数据呢?步骤也很简单。

  假设我们有一堆数据,每一行为一条样本,以 \t 分隔,第一列是类别标签,第二列是输入文本的内容,文本内容中的词语以空格分隔。以下是两条示例数据:

positive        今天终于试了自己理想的车 外观太骚气了 而且中控也很棒
negative       这台车好贵 而且还费油 性价比太低了

  现在开始做数据预处理

  1.创建reader


def train_reader(data_dir, word_dict, label_dict):

    def reader():

        UNK_ID = word_dict["<UNK>"]

        word_col = 0

        lbl_col = 1


        for file_name in os.listdir(data_dir):

            with open(os.path.join(data_dir, file_name), "r") as f:

                for line in f:

                    line_split = line.strip().split("\t")

                    word_ids = [

                        word_dict.get(w, UNK_ID)

                        for w in line_split[word_col].split()

                    ]

                    yield word_ids, label_dict[line_split[lbl_col]]


    return reader

返回类型为: paddle.data_type.integer_value_sequence(词语在字典的序号)和 paddle.data_type.integer_value(类别标签)

  2.组合读取方式


train_reader = paddle.batch(
paddle.reader.shuffle(
reader.train_reader(train_data_dir, word_dict, lbl_dict),
buf_size=1000),
batch_size=batch_size)


  

完整的代码如下(加上了划分train和test部分):

import os

def train_reader(data_dir, word_dict, label_dict):

    """

   创建训练数据reader

    :param data_dir: 数据地址.

    :type data_dir: str

    :param word_dict: 词典地址,

        词典里必须有 "UNK" .

    :type word_dict:python dict

    :param label_dict: label 字典的地址

    :type label_dict: Python dict

    """

    def reader():

        UNK_ID = word_dict["<UNK>"]

        word_col = 1

        lbl_col = 0

        for file_name in os.listdir(data_dir):

            with open(os.path.join(data_dir, file_name), "r") as f:

                for line in f:

                    line_split = line.strip().split("\t")

                    word_ids = [

                        word_dict.get(w, UNK_ID)

                        for w in line_split[word_col].split()

                    ]

                    yield word_ids, label_dict[line_split[lbl_col]]

    return reader

def test_reader(data_dir, word_dict):

    """

    创建测试数据reader

    :param data_dir: 数据地址.

    :type data_dir: str

    :param word_dict: 词典地址,

        词典里必须有 "UNK" .

    :type word_dict:python dict

    """

    def reader():

        UNK_ID = word_dict["<UNK>"]

        word_col = 1


        for file_name in os.listdir(data_dir):

            with open(os.path.join(data_dir, file_name), "r") as f:

                for line in f:

                    line_split = line.strip().split("\t")

                    if len(line_split) < word_col: continue

                    word_ids = [

                        word_dict.get(w, UNK_ID)

                        for w in line_split[word_col].split()

                    ]

                    yield word_ids, line_split[word_col]

    return reader

 总结 

  这篇文章主要讲了在paddlepaddle里如何加载自己的数据集,转换成相应的格式,并划分train和test。我们在使用一个框架的时候通常会先去跑几个简单的demo,但是如果不用常见的demo的数据,自己做一个实际的项目,完整的跑通一个模型,这才代表我们掌握了这个框架的基本应用知识。跑一个模型第一步就是数据预处理,在paddlepaddle里,提供的方式非常简单,但是有很多优点:

  •   shuffle数据非常方便

  •   可以将数据组合成batch训练

  •   可以利用reader decorator来组合多个reader,提高组合特征运行模型的效率

  •   可以多线程读取数据

  而我之前使用过mxnet来训练车牌识别的模型,50w的图片数据想要一次训练是非常慢的,这样的话就有两个解决方法:一是批量训练,这一点大多数的框架都会有, 二是转换成mxnet特有的rec格式,提高读取效率,可以通过im2rec.py将图片转换,比较麻烦,如果是tesnorflow,也有相对应的特定格式tfrecord,这几种方式各有优劣,从易用性上,paddlepaddle是比较简单的。

  这篇文章没有与上篇衔接起来,因为看到有好几封邮件都有问怎么自己加载数据训练,所以就决定插入一节先把这个写了。下篇文章我们接着讲CNN的进阶知识。下周见^_^!

 

参考文章:

1.官网说明:http://doc.paddlepaddle.org/develop/doc_cn/getstarted/concepts/use_concepts_cn.html



公众号后台回复关键词学习

回复 人工智能          揭开人工智能的神秘面纱

回复 贝叶斯算法      贝叶斯算法与新闻分类

回复 机器学习          R&Python机器学习

回复 阿里数据          阿里数据系列课程

回复 Python             Python机器学习案例实战

回复 Spark               征服Spark第一季

回复 kaggle             机器学习kaggle案例

回复 大数据             大数据系列视频

回复 数据分析          数据分析人员的转型

回复 数据挖掘          数据挖掘与人工智能

回复 机器学习          R&Python机器学习

回复 阿里数据          阿里数据系列课程

回复 R                      R&Python机器学习入门



推荐 1
本文由 人工智能爱好者社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册