使用 tf.data 读取 CSV 文件非常慢，使用 tfrecords 代替？

Question

我有很多 CSV 文件，每条记录包含约 6000 列。第一列是标签，其余列应视为特征向量。我是 Tensorflow 的新手，我不知道如何将数据读取到具有所需格式的 Tensorflow Dataset 中。我目前正在运行以下代码：

DEFAULTS = []
n_features = 6170
for i in range(n_features+1):
  DEFAULTS.append([0.0])

def parse_csv(line):
    # line = line.replace('"', '')
    columns = tf.decode_csv(line, record_defaults=DEFAULTS)  # take a line at a time
    features = {'label': columns[-1], 'x': tf.stack(columns[:-1])}  # create a dictionary out of the features
    labels = features.pop('label')  # define the label

    return features, labels


def train_input_fn(data_file=sample_csv_file, batch_size=128):
    """Generate an input function for the Estimator."""
    # Extract lines from input files using the Dataset API.
    dataset = tf.data.TextLineDataset(data_file)
    dataset = dataset.map(parse_csv)
    dataset = dataset.shuffle(10000).repeat().batch(batch_size)
    return dataset.make_one_shot_iterator().get_next()

每个 CSV 文件都有大约 10K 条记录。我尝试在train_input_fn 上进行示例评估，作为labels = train_input_fn()[1].eval(session=sess)。这将获得 128 个标签，但大约需要 2 分钟。

我是在使用一些冗余操作还是有更好的方法来做到这一点？

PS：我在 Spark Dataframe 中有原始数据。因此，如果 TFRecords 可以让事情变得更快，我也可以使用它。

Answer 1

你做得对。但更快的方法是使用TFRecords，如下所示：

1. 使用tf.python_io.TFRecordWriter： -- 读取 csv 文件并将其写入为 tfrecord 文件，如下所示：Tensorflow create a tfrecords file from csv。

2. 从 tfrecord 读取： --

   def _parse_function(proto):
      f = {
          "features": tf.FixedLenSequenceFeature([], tf.float32, default_value=0.0, allow_missing=True),
          "label": tf.FixedLenSequenceFeature([], tf.float32, default_value=0.0, allow_missing=True)
          }
          parsed_features = tf.parse_single_example(proto, f)
          features = parsed_features["features"]
          label = parsed_features["label"]
          return features, label
   
   
   dataset = tf.data.TFRecordDataset(['csv.tfrecords'])
   dataset = dataset.map(_parse_function)
   dataset = dataset.shuffle(10000).repeat().batch(128)
   iterator = dataset.make_one_shot_iterator()
   features, label = iterator.get_next()
   

我在随机生成的 csv 上运行了两个案例 (csv vs tfrecords)。 10个批次（每个128个样本）的csv直接读取总时间约为204s，而tfrecord的总时间约为0.22s。