h5py：如何在不将所有内容加载到内存的情况下索引多个大型 HDF5 文件

Question

这是一个关于同时处理多个 HDF5 数据集同时尽可能将它们视为一个数据集的问题。

我有多个.h5 文件，每个文件都包含数万张图片。让我们调用文件

file01.h5
file02.h5
file03.h5

我现在想创建一个列表或数组，其中包含指向所有三个文件的所有图像的“指针”，而无需实际加载图像。

这是我目前所拥有的：

我先打开所有文件：

file01 = h5py.File('file01.h5', 'r')
file02 = h5py.File('file02.h5', 'r')
file03 = h5py.File('file03.h5', 'r')

并将他们的图像数据集添加到列表中：

images = []
images.append(file01['images'])
images.append(file02['images'])
images.append(file03['images'])

其中file01['images'] 是形状为 HDF5 的数据集，例如(52722, 3, 160, 320)，即 52722 张图像。到目前为止一切顺利，尚未将任何内容加载到内存中。现在我想将这三个独立的图像列表合二为一，这样我就可以像处理一个大型数据集一样使用它。我试着这样做：

images = np.concatenate(images)

这就是它崩溃的地方。当我连接三个 HDF5 数据集时，它实际上将图像加载为 Numpy 数组，并且内存不足。

解决这个问题的最佳方法是什么？

我需要一个解决方案，让我可以像三个数据集一样对三个数据集进行 Numpy 切片和索引。

例如，假设每个数据集包含 50,000 张图像，并且我想加载每个数据集的第三张图像，我需要一个列表 images，它允许我将这些图像索引为

batch = images[[2, 50002, 100002]]

Answer 1

HDF5 引入了“虚拟数据集 (VDS)”的概念。 但是，这不适用于 1.10 之前的版本。

我没有使用 VDS 功能的经验，但 h5py 文档更详细，h5py git 存储库有一个示例文件 here：

'''A simple example of building a virtual dataset.
This makes four 'source' HDF5 files, each with a 1D dataset of 100 numbers.
Then it makes a single 4x100 virtual dataset in a separate file, exposing
the four sources as one dataset.
'''

import h5py
import numpy as np

# Create source files (1.h5 to 4.h5)
for n in range(1, 5):
    with h5py.File('{}.h5'.format(n), 'w') as f:
        d = f.create_dataset('data', (100,), 'i4')
        d[:] = np.arange(100) + n

# Assemble virtual dataset
layout = h5py.VirtualLayout(shape=(4, 100), dtype='i4')

for n in range(1, 5):
    filename = "{}.h5".format(n)
    vsource = h5py.VirtualSource(filename, 'data', shape=(100,))
    layout[n - 1] = vsource

# Add virtual dataset to output file
with h5py.File("VDS.h5", 'w', libver='latest') as f:
    f.create_virtual_dataset('data', layout, fillvalue=-5)
    print("Virtual dataset:")
    print(f['data'][:, :10])

更多详细信息可以在链接到pdf 的HDF group 上找到。图 1 很好地说明了这个想法。