如何使用 DataSet API 在 Tensorflow 中为 tf.train.SequenceExample 数据创建填充批次?

How do I create padded batches in Tensorflow for tf.train.SequenceExample data using the DataSet API?

为了在 Tensorflow 中训练 LSTM 模型,我将数据结构化为 tf.train.SequenceExample 格式并将其存储到 TFRecord 文件 中。我现在想使用新的数据集 API 来 生成用于训练的填充批次 。在 the documentation 中有一个使用 padded_batch 的示例,但对于我的数据,我无法弄清楚 padded_shapes 的值应该是多少。

为了将 TFrecord 文件读取到批次中,我编写了以下 Python 代码:

import math
import tensorflow as tf
import numpy as np
import struct
import sys
import array

if(len(sys.argv) != 2):
  print "Usage: createbatches.py [RFRecord file]"
  sys.exit(0)


vectorSize = 40
inFile = sys.argv[1]

def parse_function_dataset(example_proto):
  sequence_features = {
      'inputs': tf.FixedLenSequenceFeature(shape=[vectorSize],
                                           dtype=tf.float32),
      'labels': tf.FixedLenSequenceFeature(shape=[],
                                           dtype=tf.int64)}

  _, sequence = tf.parse_single_sequence_example(example_proto, sequence_features=sequence_features)

  length = tf.shape(sequence['inputs'])[0]
  return sequence['inputs'], sequence['labels']

sess = tf.InteractiveSession()

filenames = tf.placeholder(tf.string, shape=[None])
dataset = tf.contrib.data.TFRecordDataset(filenames)
dataset = dataset.map(parse_function_dataset)
# dataset = dataset.batch(1)
dataset = dataset.padded_batch(4, padded_shapes=[None])
iterator = dataset.make_initializable_iterator()

batch = iterator.get_next()

# Initialize `iterator` with training data.
training_filenames = [inFile]
sess.run(iterator.initializer, feed_dict={filenames: training_filenames})

print(sess.run(batch))

如果我使用 dataset = dataset.batch(1) 代码运行良好(在这种情况下不需要填充),但是当我使用 padded_batch 变体时,我收到以下错误:

TypeError: If shallow structure is a sequence, input must also be a sequence. Input has type: .

你能帮我弄清楚我应该为 padded_shapes 参数传递什么吗?

(我知道有很多使用线程和队列的示例代码,但我宁愿为这个项目使用新的 DataSet API)

您需要传递一个形状元组。 在你的情况下你应该通过

dataset = dataset.padded_batch(4, padded_shapes=([vectorSize],[None]))

或尝试

dataset = dataset.padded_batch(4, padded_shapes=([None],[None]))

查看此 code 了解更多详情。我不得不调试此方法以弄清楚为什么它对我不起作用。

如果您当前的Dataset对象包含一个元组,您还可以指定每个填充元素的形状。

例如,我有一个 (same_sized_images, Labels) 数据集,每个标签的长度不同但排名相同。

def process_label(resized_img, label):
    # Perfrom some tensor transformations
    # ......

    return resized_img, label

dataset = dataset.map(process_label)
dataset = dataset.padded_batch(batch_size, 
                               padded_shapes=([None, None, 3], 
                                              [None, None]))  # my label has rank 2

您可能需要从数据集输出形状中获得帮助:

padded_shapes = dataset.output_shapes

注意不要传递一个元组的元组。这给出了一个非常模糊的错误“无法将值 None 转换为类型 None 类型”。

非常正确: padded_shapes = ([None, None], [None])

不正确: padded_shapes = ((None, None), (None))