【深度學習系列】數據預處理

　　上篇文章講了卷積神經網絡的基本知識，本來這篇文章準備繼續深入講CNN的相關知識和手寫CNN，但是有很多同學跟我發郵件或私信問我關于PaddlePaddle如何讀取數據、做數據預處理相關的內容。網上看的很多教程都是幾個常見的例子，數據集不需要自己準備，所以不需要關心，但是實際做項目的時候做數據預處理感覺一頭霧水，所以我就寫一篇文章匯總一下，講講如何用PaddlePaddle做數據預處理。

PaddlePaddle的基本數據格式

　　根據官網的資料，總結出PaddlePaddle支持多種不同的數據格式，包括四種數據類型和三種序列格式：

四種數據類型：

dense_vector：稠密的浮點數向量。
sparse_binary_vector：稀疏的二值向量，即大部分值為0，但有值的地方必須為1。
sparse_float_vector：稀疏的向量，即大部分值為0，但有值的部分可以是任何浮點數。
integer：整型格式

api如下：

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

說明：稠密向量，輸入特征是一個稠密的浮點向量。舉個例子，手寫數字識別里的輸入圖片是28*28的像素，Paddle的神經網絡的輸入應該是一個784維的稠密向量。

參數：

dim(int) 向量維度

seq_type(int)輸入的序列格式

返回類型：InputType

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

說明：稀疏的二值向量。輸入特征是一個稀疏向量，這個向量的每個元素要么是0,要么是1

參數：同上

返回類型：同上

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

說明：稀疏向量，向量里大多數元素是0，其他的值可以是任意的浮點值

參數：同上

返回類型：同上

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

說明：整型格式

參數：　　

seq_type(int)：輸入的序列格式

value_range(int)：每個元素的范圍

返回類型：InputType

三種序列格式：

SequenceType.NO_SEQUENCE：不是一條序列
SequenceType.SEQUENCE：是一條時間序列
SequenceType.SUB_SEQUENCE：是一條時間序列，且序列的每一個元素還是一個時間序列。

api如下：

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

說明：稠密向量的序列格式

參數：dim(int)：稠密向量的維度

返回類型：InputType

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

說明：稀疏的二值向量序列。每個序列里的元素要么是0要么是1

參數：dim(int)：稀疏向量的維度

返回類型：InputType

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

說明：稀疏的向量序列。每個序列里的元素要么是0要么是1

參數：

dim(int)：稀疏向量的維度

seq_type(int)：輸入的序列格式

返回類型：InputType

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

說明：稀疏的向量序列，向量里大多數元素是0，其他的值可以是任意的浮點值

參數：

dim(int)：稀疏向量的維度

seq_type(int)：輸入的序列格式

返回類型：InputType

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

說明：value_range(int)：每個元素的范圍

　　不同的數據類型和序列模式返回的格式不同，如下表：

　　其中f表示浮點數，i表示整數

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

對一個5維非序列的稀疏01向量 [0, 1, 1, 0, 0] ，類型是sparse_binary_vector，返回的是 [1, 2] 。(因為只有第1位和第2位有值)
對一個5維非序列的稀疏浮點向量 [0, 0.5, 0.7, 0, 0] ，類型是sparse_float_vector，返回的是 [(1, 0.5), (2, 0.7)] 。（因為只有第一位和第二位有值，分別是0.5和0.7）

PaddlePaddle的數據讀取方式

　　我們了解了上文的四種基本數據格式和三種序列模式后，在處理自己的數據時可以根據需求選擇，但是處理完數據后如何把數據放到模型里去訓練呢？我們知道，基本的方法一般有兩種：

一次性加載到內存：模型訓練時直接從內存中取數據，不需要大量的IO消耗，速度快，適合少量數據。
加載到磁盤/HDFS/共享存儲等：這樣不用占用內存空間，在處理大量數據時一般采取這種方式，但是缺點是每次數據加載進來也是一次IO的開銷，非常影響速度。

　　在PaddlePaddle中我們可以有三種模式來讀取數據：分別是reader、reader creator和reader decorator,這三者有什么區別呢？

reader：從本地、網絡、分布式文件系統HDFS等讀取數據，也可隨機生成數據，并返回一個或多個數據項。
reader creator：一個返回reader的函數。
reader decorator：裝飾器，可組合一個或多個reader。

　　reader

　　我們先以reader為例，為房價數據（斯坦福吳恩達的公開課第一課舉例的數據）創建一個reader：

創建一個reader，實質上是一個迭代器，每次返回一條數據（此處以房價數據為例）

reader = paddle.dataset.uci_housing.train()

　　2. 創建一個shuffle_reader，把上一步的reader放進去，配置buf_size就可以讀取buf_size大小的數據自動做shuffle，讓數據打亂，隨機化

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

　　3.創建一個batch_reader，把上一步混洗好的shuffle_reader放進去，給定batch_size，即可創建。

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

　　這三種方式也可以組合起來放一塊：

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

　　可以以一個直觀的圖來表示：

　　從圖中可以看到，我們可以直接從原始數據集里拿去數據，用reader讀取，一條條灌倒shuffle_reader里，在本地隨機化，把數據打亂，做shuffle，然后把shuffle后的數據，一個batch一個batch的形式，批量的放到訓練器里去進行每一步的迭代和訓練。流程簡單，而且只需要使用一行代碼即可實現整個過程。

　　reader creator

　　如果想要生成一個簡單的隨機數據，以reader creator為例：

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

　　源碼見creator.py, 支持四種格式：np_array，text_file，RecordIO和cloud_reader

  1 __all__ = ['np_array', 'text_file', "cloud_reader"]
  2 
  3 
  4 def np_array(x):
  5     """
  6     Creates a reader that yields elements of x, if it is a
  7     numpy vector. Or rows of x, if it is a numpy matrix.
  8     Or any sub-hyperplane indexed by the highest dimension.
  9     :param x: the numpy array to create reader from.
 10     :returns: data reader created from x.
 11     """
 12 
 13     def reader():
 14         if x.ndim < 1:
 15             yield x
 16 
 17         for e in x:
 18             yield e
 19 
 20     return reader
 21 
 22 
 23 def text_file(path):
 24     """
 25     Creates a data reader that outputs text line by line from given text file.
 26     Trailing new line ('\\\\n') of each line will be removed.
 27     :path: path of the text file.
 28     :returns: data reader of text file
 29     """
 30 
 31     def reader():
 32         f = open(path, "r")
 33         for l in f:
 34             yield l.rstrip('\n')
 35         f.close()
 36 
 37     return reader
 38 
 39 
 40 def recordio(paths, buf_size=100):
 41     """
 42     Creates a data reader from given RecordIO file paths separated by ",",
 43         glob pattern is supported.
 44     :path: path of recordio files, can be a string or a string list.
 45     :returns: data reader of recordio files.
 46     """
 47 
 48     import recordio as rec
 49     import paddle.v2.reader.decorator as dec
 50     import cPickle as pickle
 51 
 52     def reader():
 53         if isinstance(paths, basestring):
 54             path = paths
 55         else:
 56             path = ",".join(paths)
 57         f = rec.reader(path)
 58         while True:
 59             r = f.read()
 60             if r is None:
 61                 break
 62             yield pickle.loads(r)
 63         f.close()
 64 
 65     return dec.buffered(reader, buf_size)
 66 
 67 
 68 pass_num = 0
 69 
 70 
 71 def cloud_reader(paths, etcd_endpoints, timeout_sec=5, buf_size=64):
 72     """
 73     Create a data reader that yield a record one by one from
 74         the paths:
 75     :paths: path of recordio files, can be a string or a string list.
 76     :etcd_endpoints: the endpoints for etcd cluster
 77     :returns: data reader of recordio files.
 78     ..  code-block:: python
 79         from paddle.v2.reader.creator import cloud_reader
 80         etcd_endpoints = "http://127.0.0.1:2379"
 81         trainer.train.(
 82             reader=cloud_reader(["/work/dataset/uci_housing/uci_housing*"], etcd_endpoints),
 83         )
 84     """
 85     import os
 86     import cPickle as pickle
 87     import paddle.v2.master as master
 88     c = master.client(etcd_endpoints, timeout_sec, buf_size)
 89 
 90     if isinstance(paths, basestring):
 91         path = [paths]
 92     else:
 93         path = paths
 94     c.set_dataset(path)
 95 
 96     def reader():
 97         global pass_num
 98         c.paddle_start_get_records(pass_num)
 99         pass_num += 1
100 
101         while True:
102             r, e = c.next_record()
103             if not r:
104                 if e != -2:
105                     print "get record error: ", e
106                 break
107             yield pickle.loads(r)
108 
109     return reader

View Code

reader decorator

　　如果想要讀取同時讀取兩部分的數據，那么可以定義兩個reader，合并后對其進行shuffle。如我想讀取所有用戶對比車系的數據和瀏覽車系的數據，可以定義兩個reader，分別為contrast()和view()，然后通過預定義的reader decorator緩存并組合這些數據，在對合并后的數據進行亂序操作。源碼見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)

　　這樣有一個很大的好處，就是組合特征來訓練變得更容易了！傳統的跑模型的方法是，確定label和feature，盡可能多的找合適的feature扔到模型里去訓練，這樣我們就需要做一張大表，訓練完后我們可以分析某些特征的重要性然后重新增加或減少一些feature來進行訓練，這樣我們有需要對原來的label-feature表進行修改，如果數據量小沒啥影響，就是麻煩點，但是數據量大的話需要每一次增加feature，和主鍵、label來join的操作都會很耗時，如果采取這種方式的話，我們可以對某些同一類的特征做成一張表，數據存放的地址存為一個變量名，每次跑模型的時候想選取幾類特征，就創建幾個reader，用reader decorator 組合起來，最后再shuffle灌倒模型里去訓練。這！樣！是！不！是！很！方！便！

　　如果沒理解，我舉一個實例，假設我們要預測用戶是否會買車，label是買車 or 不買車，feature有瀏覽車系、對比車系、關注車系的功能偏好等等20個，傳統的思維是做成這樣一張表：

　　如果想要減少feature_2,看看feature_2對模型的準確率影響是否很大，那么我們需要在這張表里去掉這一列，想要增加一個feature的話，也需要在feature里增加一列，如果用reador decorator的話，我們可以這樣做數據集：

　　把相同類型的feature放在一起，不用頻繁的join減少時間，一共做四個表，創建4個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)

　　如果新發現了一個特征，想嘗試這個特征對模型提高準確率有沒有用，可以再單獨把這個特征數據提取出來，再增加一個reader，用reader decorator組合起來，shuffle后放入模型里跑就行了。

PaddlePaddle的數據預處理實例

　　還是以手寫數字為例，對數據進行處理后并劃分train和test，只需要4步即可：

指定數據地址

 1 import paddle.v2.dataset.common
 2 import subprocess
 3 import numpy
 4 import platform
 5 __all__ = ['train', 'test', 'convert']
 6 
 7 URL_PREFIX = 'http://yann.lecun.com/exdb/mnist/'
 8 TEST_IMAGE_URL = URL_PREFIX + 't10k-images-idx3-ubyte.gz'
 9 TEST_IMAGE_MD5 = '9fb629c4189551a2d022fa330f9573f3'
10 TEST_LABEL_URL = URL_PREFIX + 't10k-labels-idx1-ubyte.gz'
11 TEST_LABEL_MD5 = 'ec29112dd5afa0611ce80d1b7f02629c'
12 TRAIN_IMAGE_URL = URL_PREFIX + 'train-images-idx3-ubyte.gz'
13 TRAIN_IMAGE_MD5 = 'f68b3c2dcbeaaa9fbdd348bbdeb94873'
14 TRAIN_LABEL_URL = URL_PREFIX + 'train-labels-idx1-ubyte.gz'
15 TRAIN_LABEL_MD5 = 'd53e105ee54ea40749a09fcbcd1e9432'

　　2.創建reader creator

 1 def reader_creator(image_filename, label_filename, buffer_size):
 2     # 創建一個reader
 3     def reader():
 4         if platform.system() == 'Darwin':
 5             zcat_cmd = 'gzcat'
 6         elif platform.system() == 'Linux':
 7             zcat_cmd = 'zcat'
 8         else:
 9             raise NotImplementedError()
10 
11         m = subprocess.Popen([zcat_cmd, image_filename], stdout=subprocess.PIPE)
12         m.stdout.read(16)  
13 
14         l = subprocess.Popen([zcat_cmd, label_filename], stdout=subprocess.PIPE)
15         l.stdout.read(8)  
16 
17         try:  # reader could be break.
18             while True:
19                 labels = numpy.fromfile(
20                     l.stdout, 'ubyte', count=buffer_size).astype("int")
21 
22                 if labels.size != buffer_size:
23                     break  # numpy.fromfile returns empty slice after EOF.
24 
25                 images = numpy.fromfile(
26                     m.stdout, 'ubyte', count=buffer_size * 28 * 28).reshape(
27                         (buffer_size, 28 * 28)).astype('float32')
28 
29                 images = images / 255.0 * 2.0 - 1.0
30 
31                 for i in xrange(buffer_size):
32                     yield images[i, :], int(labels[i])
33         finally:
34             m.terminate()
35             l.terminate()
36 
37     return reader

　　3.創建訓練集和測試集

 1 def train():
 2     """
 3     創建mnsit的訓練集 reader creator
 4     返回一個reador creator，每個reader里的樣本都是圖片的像素值，在區間[0,1]內，label為0~9
 5     返回：training reader creator
 6     """
 7     return reader_creator(
 8         paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist',
 9                                           TRAIN_IMAGE_MD5),
10         paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist',
11                                           TRAIN_LABEL_MD5), 100)
12 
13 
14 def test():
15     """
16     創建mnsit的測試集 reader creator
17     返回一個reador creator，每個reader里的樣本都是圖片的像素值，在區間[0,1]內，label為0~9
18     返回：testreader creator
19     """
20     return reader_creator(
21         paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist',
22                                           TEST_IMAGE_MD5),
23         paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist',
24                                           TEST_LABEL_MD5), 100)

　　4.下載數據并轉換成相應格式

 1 def fetch():
 2     paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist', TRAIN_IMAGE_MD5)
 3     paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
 4     paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist', TEST_IMAGE_MD5)
 5     paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
 6 
 7 
 8 def convert(path):
 9     """
10     將數據格式轉換為 recordio format
11     """
12     paddle.v2.dataset.common.convert(path, train(), 1000, "minist_train")
13     paddle.v2.dataset.common.convert(path, test(), 1000, "minist_test")

　　如果想換成自己的訓練數據，只需要按照步驟改成自己的數據地址，創建相應的reader creator（或者reader decorator）即可。

　　這是圖像的例子，如果我們想訓練一個文本模型，做一個情感分析，這個時候如何處理數據呢？步驟也很簡單。

　　假設我們有一堆數據，每一行為一條樣本，以 \t 分隔，第一列是類別標簽，第二列是輸入文本的內容，文本內容中的詞語以空格分隔。以下是兩條示例數據：

positive        今天終于試了自己理想的車 外觀太騷氣了 而且中控也很棒
negative       這臺車好貴 而且還費油 性價比太低了

　　現在開始做數據預處理

　　1.創建reader

 1 def train_reader(data_dir, word_dict, label_dict):
 2     def reader():
 3         UNK_ID = word_dict["<UNK>"]
 4         word_col = 0
 5         lbl_col = 1
 6 
 7         for file_name in os.listdir(data_dir):
 8             with open(os.path.join(data_dir, file_name), "r") as f:
 9                 for line in f:
10                     line_split = line.strip().split("\t")
11                     word_ids = [
12                         word_dict.get(w, UNK_ID)
13                         for w in line_split[word_col].split()
14                     ]
15                     yield word_ids, label_dict[line_split[lbl_col]]
16 
17     return reader

　　返回類型為： paddle.data_type.integer_value_sequence（詞語在字典的序號）和 paddle.data_type.integer_value（類別標簽）

　　2.組合讀取方式

1 train_reader = paddle.batch(
2         paddle.reader.shuffle(
3             reader.train_reader(train_data_dir, word_dict, lbl_dict),
4             buf_size=1000),
5         batch_size=batch_size)

　　完整的代碼如下（加上了劃分train和test部分）：

 1 import os
 2 
 3 
 4 def train_reader(data_dir, word_dict, label_dict):
 5     """
 6    創建訓練數據reader
 7     :param data_dir: 數據地址.
 8     :type data_dir: str
 9     :param word_dict: 詞典地址,
10         詞典里必須有 "UNK" .
11     :type word_dict:python dict
12     :param label_dict: label 字典的地址
13     :type label_dict: Python dict
14     """
15 
16     def reader():
17         UNK_ID = word_dict["<UNK>"]
18         word_col = 1
19         lbl_col = 0
20 
21         for file_name in os.listdir(data_dir):
22             with open(os.path.join(data_dir, file_name), "r") as f:
23                 for line in f:
24                     line_split = line.strip().split("\t")
25                     word_ids = [
26                         word_dict.get(w, UNK_ID)
27                         for w in line_split[word_col].split()
28                     ]
29                     yield word_ids, label_dict[line_split[lbl_col]]
30 
31     return reader
32 
33 
34 def test_reader(data_dir, word_dict):
35     """
36     創建測試數據reader
37     :param data_dir: 數據地址.
38     :type data_dir: str
39     :param word_dict: 詞典地址,
40         詞典里必須有 "UNK" .
41     :type word_dict:python dict
42     """
43 
44     def reader():
45         UNK_ID = word_dict["<UNK>"]
46         word_col = 1
47 
48         for file_name in os.listdir(data_dir):
49             with open(os.path.join(data_dir, file_name), "r") as f:
50                 for line in f:
51                     line_split = line.strip().split("\t")
52                     if len(line_split) < word_col: continue
53                     word_ids = [
54                         word_dict.get(w, UNK_ID)
55                         for w in line_split[word_col].split()
56                     ]
57                     yield word_ids, line_split[word_col]
58 
59     return reader

總結

　　這篇文章主要講了在paddlepaddle里如何加載自己的數據集，轉換成相應的格式，并劃分train和test。我們在使用一個框架的時候通常會先去跑幾個簡單的demo，但是如果不用常見的demo的數據，自己做一個實際的項目，完整的跑通一個模型，這才代表我們掌握了這個框架的基本應用知識。跑一個模型第一步就是數據預處理，在paddlepaddle里，提供的方式非常簡單，但是有很多優點：

　　shuffle數據非常方便
　　可以將數據組合成batch訓練
　　可以利用reader decorator來組合多個reader，提高組合特征運行模型的效率
　　可以多線程讀取數據

　　而我之前使用過mxnet來訓練車牌識別的模型，50w的圖片數據想要一次訓練是非常慢的，這樣的話就有兩個解決方法：一是批量訓練，這一點大多數的框架都會有，二是轉換成mxnet特有的rec格式，提高讀取效率，可以通過im2rec.py將圖片轉換，比較麻煩，如果是tesnorflow，也有相對應的特定格式tfrecord，這幾種方式各有優劣，從易用性上，paddlepaddle是比較簡單的。

　　這篇文章沒有與上篇銜接起來，因為看到有好幾封郵件都有問怎么自己加載數據訓練，所以就決定插入一節先把這個寫了。下篇文章我們接著講CNN的進階知識。下周見^_^!

參考文章：

1.官網說明：http://doc.paddlepaddle.org/develop/doc_cn/getstarted/concepts/use_concepts_cn.html

posted @ 2017-11-08 13:15 Charlotte77 閱讀(27252) 評論(21) 收藏舉報

刷新頁面返回頂部

Charlotte77

數學系的數據挖掘民工(公眾號:CharlotteDataMining，深度學習技術交流qq群:339120614)最新深度學習免費學習視頻請移步我的B站：https://www.bilibili.com/video/av75414647

【深度學習系列】數據預處理

作者：Charlotte77

出處：http://www.rzrgm.cn/charlotte77/

本文以學習、研究和分享為主，如需轉載，請聯系本人，標明作者和出處，非商業用途！

關注【Charlotte數據挖掘】回復 '資料' 獲取深度學習優質資料

公告