Je joue avec l'API Dataset dans Tensorflow v1. . C'est bien. Il est possible de mapper un ensemble de données avec une fonction comme décrit ici . Je souhaite savoir comment passer une fonction qui a un argument supplémentaire, par exemple arg1
:
def _parse_function(example_proto, arg1):
features = {"image": tf.FixedLenFeature((), tf.string, default_value=""),
"label": tf.FixedLenFeature((), tf.int32, default_value=0)}
parsed_features = tf.parse_single_example(example_proto, features)
return parsed_features["image"], parsed_features["label"]
Bien sûr,
dataset = dataset.map(_parse_function)
ne fonctionnera pas car il n'y a aucun moyen de passer arg1
.
Voici un exemple utilisant une expression lambda pour encapsuler la fonction à laquelle nous voulons passer un argument:
import tensorflow as tf
def fun(x, arg):
return x * arg
my_arg = tf.constant(2, dtype=tf.int64)
ds = tf.data.Dataset.range(5)
ds = ds.map(lambda x: fun(x, my_arg))
Dans ce qui précède, la signature de la fonction fournie à map
doit correspondre au contenu de notre ensemble de données. Nous devons donc écrire notre expression lambda pour correspondre à cela. Ici, c'est simple, car il n'y a qu'un seul élément contenu dans l'ensemble de données, le x
qui contient des éléments compris entre 0 et 4.
Si nécessaire, vous pouvez transmettre un nombre arbitraire d'arguments externes provenant de l'extérieur de l'ensemble de données: ds = ds.map(lambda x: my_other_fun(x, arg1, arg2, arg3)
, etc.
Pour vérifier que ce qui précède fonctionne, nous pouvons observer que le mappage multiplie en effet chaque élément de l'ensemble de données par deux:
iterator = ds.make_initializable_iterator()
next_x = iterator.get_next()
with tf.Session() as sess:
sess.run(iterator.initializer)
while True:
try:
print(sess.run(next_x))
except tf.errors.OutOfRangeError:
break
Le résultat:
0
2
4
6
8
Une autre solution consiste à utiliser un wrapper de classe. Dans le code suivant, j'ai passé le paramètre shape à la fonction d'analyse.
class MyDataSets:
def __init__(self, shape):
self.shape = shape
def parse_sample(self.sample):
features = { ... }
f = tf.parse_example([example], features=features)
image_raw = tf.decode_raw(f['image_raw'], tf.uint8)
image = image.reshape(image_raw, self.shape)
label = tf.cast(f['label'], tf.int32)
return image, label
def init(self):
ds = tf.data.TFRecordDataSets(...)
ds = ds.map(self.parse_sample)
...
return ds.make_initializable_iterator()
Vous pouvez également utiliser une fonction Partial
à la place pour encapsuler votre paramètre:
def _parse_function(arg1, example_proto):
features = {"image": tf.FixedLenFeature((), tf.string, default_value=""),
"label": tf.FixedLenFeature((), tf.int32, default_value=0)}
parsed_features = tf.parse_single_example(example_proto, features)
return parsed_features["image"], parsed_features["label"]
L'ordre des paramètres de votre fonction est modifié afin de s'adapter à la partialité, vous pouvez ensuite envelopper votre fonction avec une valeur de paramètre comme suit:
from functools import partial
arg1 = ...
dataset = dataset.map(partial(_parse_function, arg1))