tensorflow - 将多个文件输入到 Tensorflow 数据集中

Question

我有以下 input_fn。

def input_fn(filenames, batch_size):
    # Create a dataset containing the text lines.
    dataset = tf.data.TextLineDataset(filenames).skip(1)

    # Parse each line.
    dataset = dataset.map(_parse_line)

    # Shuffle, repeat, and batch the examples.
    dataset = dataset.shuffle(10000).repeat().batch(batch_size)

    # Return the dataset.
    return dataset

如果 filenames=['file1.csv'] 效果很好或 filenames=['file2.csv'] .如果 filenames=['file1.csv', 'file2.csv']，它会给我一个错误.在 Tensorflow 中 documentation它说 filenames是 tf.string包含一个或多个文件名的张量。我应该如何导入多个文件？

以下是错误。似乎忽略了 .skip(1)在 input_fn以上:

InvalidArgumentError: Field 0 in record 0 is not a valid int32: row_id
 [[Node: DecodeCSV = DecodeCSV[OUT_TYPE=[DT_INT32, DT_INT32, DT_FLOAT, DT_INT32, DT_FLOAT, ..., DT_INT32, DT_INT32, DT_INT32, DT_INT32, DT_INT32], field_delim=",", na_value="", use_quote_delim=true](arg0, DecodeCSV/record_defaults_0, DecodeCSV/record_defaults_1, DecodeCSV/record_defaults_2, DecodeCSV/record_defaults_3, DecodeCSV/record_defaults_4, DecodeCSV/record_defaults_5, DecodeCSV/record_defaults_6, DecodeCSV/record_defaults_7, DecodeCSV/record_defaults_8, DecodeCSV/record_defaults_9, DecodeCSV/record_defaults_10, DecodeCSV/record_defaults_11, DecodeCSV/record_defaults_12, DecodeCSV/record_defaults_13, DecodeCSV/record_defaults_14, DecodeCSV/record_defaults_15, DecodeCSV/record_defaults_16, DecodeCSV/record_defaults_17, DecodeCSV/record_defaults_18)]]
 [[Node: IteratorGetNext = IteratorGetNext[output_shapes=[[?], [?], [?], [?], [?], ..., [?], [?], [?], [?], [?]], output_types=[DT_FLOAT, DT_INT32, DT_INT32, DT_STRING, DT_STRING, ..., DT_INT32, DT_FLOAT, DT_INT32, DT_INT32, DT_INT32], _device="/job:localhost/replica:0/task:0/device:CPU:0"](Iterator)]]

Answer 1

您使用 tf.data.TextLineDataset 的想法是正确的.但是，您当前的实现所做的是在其文件名输入张量中生成每个文件的每一行，除了第一个文件的第一个。您现在跳过第一行的方式只影响第一个文件中的第一行。在第二个文件中，不跳过第一行。

基于 Datasets guide 上的示例，您应该调整您的代码以首先创建一个常规 Dataset 从文件名，然后运行 ​​ flat_map 在每个文件名上使用 TextLineDataset 读取它, 同时跳过第一行:

d = tf.data.Dataset.from_tensor_slices(filenames) 
# get dataset from each file, skipping first line of each file
d = d.flat_map(lambda filename: tf.data.TextLineDataset(filename).skip(1))
d = d.map(_parse_line) # And whatever else you need to do

在这里， flat_map通过读取文件内容并跳过第一行，从原始数据集的每个元素创建一个新数据集。