使用 Dataset API 生成平衡的小批量

Question

我有一个关于新数据集 API (tensorflow 1.4rc1) 的问题。 我对标签0 和1 有一个不平衡的数据集。我的目标是在预处理期间创建平衡的小批量。

假设我有两个过滤数据集：

ds_pos = dataset.filter(lambda l, x, y, z: tf.reshape(tf.equal(l, 1), []))
ds_neg = dataset.filter(lambda l, x, y, z: tf.reshape(tf.equal(l, 0), [])).repeat()

有没有办法将这两个数据集组合起来，使生成的数据集看起来像ds = [0, 1, 0, 1, 0, 1]：

类似这样的：

dataset = tf.data.Dataset.zip((ds_pos, ds_neg))
dataset = dataset.apply(...)
# dataset looks like [0, 1, 0, 1, 0, 1, ...]
dataset = dataset.batch(20)

我目前的做法是：

def _concat(x, y):
   return tf.cond(tf.random_uniform(()) > 0.5, lambda: x, lambda: y)
dataset = tf.data.Dataset.zip((ds_pos, ds_neg))
dataset = dataset.map(_concat)

但我觉得有一种更优雅的方式。

提前致谢！

Answer 1

你在正确的轨道上。下面的例子使用Dataset.flat_map()将每对正例和负例在结果中变成两个连续的例子：

dataset = tf.data.Dataset.zip((ds_pos, ds_neg))

# Each input element will be converted into a two-element `Dataset` using
# `Dataset.from_tensors()` and `Dataset.concatenate()`, then `Dataset.flat_map()`
# will flatten the resulting `Dataset`s into a single `Dataset`.
dataset = dataset.flat_map(
    lambda ex_pos, ex_neg: tf.data.Dataset.from_tensors(ex_pos).concatenate(
        tf.data.Dataset.from_tensors(ex_neg)))

dataset = dataset.batch(20)