在 Tensorflow 中获取数据集的长度

Question

source_dataset = tf.data.TextLineDataset('primary.csv')
target_dataset = tf.data.TextLineDataset('secondary.csv')
dataset = tf.data.Dataset.zip((source_dataset, target_dataset))
dataset = dataset.shard(10000, 0)
dataset = dataset.map(lambda source, target: (tf.string_to_number(tf.string_split([source], delimiter=',').values, tf.int32),
                                              tf.string_to_number(tf.string_split([target], delimiter=',').values, tf.int32)))
dataset = dataset.map(lambda source, target: (source, tf.concat(([start_token], target), axis=0), tf.concat((target, [end_token]), axis=0)))
dataset = dataset.map(lambda source, target_in, target_out: (source, tf.size(source), target_in, target_out, tf.size(target_in)))

dataset = dataset.shuffle(NUM_SAMPLES)  #This is the important line of code

我想完全打乱我的整个数据集，但是 shuffle() 需要提取大量样本，并且 tf.Size() 不适用于 tf.data.Dataset。

我怎样才能正确洗牌？

Answer 1

我正在使用 tf.data.FixedLengthRecordDataset() 和运行解决类似的问题。就我而言，我试图只获取一定比例的原始数据。因为我知道所有记录都有固定长度，所以我的解决方法是：

totalBytes = sum([os.path.getsize(os.path.join(filepath, filename)) for filename in os.listdir(filepath)])
numRecordsToTake = tf.cast(0.01 * percentage * totalBytes / bytesPerRecord, tf.int64)
dataset = tf.data.FixedLengthRecordDataset(filenames, recordBytes).take(numRecordsToTake)

对于您的情况，我的建议是直接在 python 中计算 'primary.csv' 和 'secondary.csv' 中的记录数。或者，我认为出于您的目的，设置 buffer_size 参数并不真正需要计算文件数。根据，大于数据集中元素数量的数字将确保在整个数据集中进行统一洗牌。因此，只需输入一个非常大的数字（您认为会超过数据集大小）就可以了。

Answer 2

从 TensorFlow 2 开始，可以通过 cardinality() 函数轻松检索数据集的长度。

dataset = tf.data.Dataset.range(42)
#both print 42 
dataset_length_v1 = tf.data.experimental.cardinality(dataset).numpy())
dataset_length_v2 = dataset.cardinality().numpy()

注意：当使用谓词时，比如filter，长度的return可能是-2。可以参考解释，否则就看下面一段：

如果您使用过滤谓词，基数可能 return 值为 -2，因此未知；如果您确实在数据集上使用了过滤器谓词，请确保您已经以另一种方式计算了数据集的长度（例如 pandas 数据帧的长度，然后再对其应用 .from_tensor_slices()。

在 Tensorflow 中获取数据集的长度

Get length of a dataset in Tensorflow

dataset

python-3.x

tensorflow

tensorflow2.0

tensorflow2.x