教程 | 如何用百度深度学习框架PaddlePaddle做数据预处理

机器之心

发布于 2018-05-10 15:50:48

8030

发布于 2018-05-10 15:50:48

文章被收录于专栏：机器之心

机器之心经授权转载

作者：胡晓曼

本文主要介绍了百度的深度学习开源框架PaddlePaddle的数据预处理过程，创建一个reader读取数据，一行代码搞定数据的输入、混洗和批量读取。本文作者胡晓曼是一名高级算法工程师，热衷写通俗易懂的深度学习入门文章。

PaddlePaddle 的基本数据格式

根据官网的资料，总结出 PaddlePaddle 支持多种不同的数据格式，包括四种数据类型和三种序列格式：

四种数据类型：

dense_vector：稠密的浮点数向量。
sparse_binary_vector：稀疏的二值向量，即大部分值为 0，但有值的地方必须为 1。
sparse_float_vector：稀疏的向量，即大部分值为 0，但有值的部分可以是任何浮点数。
integer：整型格式

api 如下：

paddle.v2.data_type.dense_vector(dim, seq_type=0)
说明：稠密向量，输入特征是一个稠密的浮点向量。举个例子，手写数字识别里的输入图片是 28*28 的像素，Paddle 的神经网络的输入应该是一个 784 维的稠密向量。
参数：
dim(int) 向量维度
seq_type(int) 输入的序列格式
返回类型：InputType
paddle.v2.data_type.sparse_binary_vector(dim, seq_type=0)
说明：稀疏的二值向量。输入特征是一个稀疏向量，这个向量的每个元素要么是 0, 要么是 1
参数：同上
返回类型：同上
paddle.v2.data_type.sparse_vector(dim, seq_type=0)
说明：稀疏向量，向量里大多数元素是 0，其他的值可以是任意的浮点值
参数：同上
返回类型：同上
paddle.v2.data_type.integer_value(value_range, seq_type=0)
说明：整型格式
参数：　　
seq_type(int)：输入的序列格式
value_range(int)：每个元素的范围
返回类型：InputType

三种序列格式：

SequenceType.NO_SEQUENCE：不是一条序列
SequenceType.SEQUENCE：是一条时间序列
SequenceType.SUB_SEQUENCE：是一条时间序列，且序列的每一个元素还是一个时间序列。

api 如下：

paddle.v2.data_type.dense_vector_sequence(dim, seq_type=0)
说明：稠密向量的序列格式
参数：dim(int)：稠密向量的维度
返回类型：InputType
paddle.v2.data_type.sparse_binary_vector_sequence(dim, seq_type=0)
说明：稀疏的二值向量序列。每个序列里的元素要么是 0 要么是 1
参数：dim(int)：稀疏向量的维度
返回类型：InputType
paddle.v2.data_type.sparse_non_value_slot(dim, seq_type=0)
说明：稀疏的向量序列。每个序列里的元素要么是 0 要么是 1
参数：
dim(int)：稀疏向量的维度
seq_type(int)：输入的序列格式
返回类型：InputType
paddle.v2.data_type.sparse_value_slot(dim, seq_type=0)
说明：稀疏的向量序列，向量里大多数元素是 0，其他的值可以是任意的浮点值
参数：
dim(int)：稀疏向量的维度
seq_type(int)：输入的序列格式
返回类型：InputType
paddle.v2.data_type.integer_value_sequence(value_range, seq_type=0)
说明：value_range(int)：每个元素的范围

不同的数据类型和序列模式返回的格式不同，如下表：

其中 f 表示浮点数，i 表示整数

注意：对 sparse_binary_vector 和 sparse_float_vector，PaddlePaddle 存的是有值位置的索引。例如，

对一个 5 维非序列的稀疏 01 向量 [0, 1, 1, 0, 0]，类型是 sparse_binary_vector，返回的是 [1, 2]。(因为只有第 1 位和第 2 位有值)
对一个 5 维非序列的稀疏浮点向量 [0, 0.5, 0.7, 0, 0]，类型是 sparse_float_vector，返回的是 [(1, 0.5), (2, 0.7)]。（因为只有第一位和第二位有值，分别是 0.5 和 0.7）

PaddlePaddle 的数据读取方式

我们了解了上文的四种基本数据格式和三种序列模式后，在处理自己的数据时可以根据需求选择，但是处理完数据后如何把数据放到模型里去训练呢？我们知道，基本的方法一般有两种：

一次性加载到内存：模型训练时直接从内存中取数据，不需要大量的 IO 消耗，速度快，适合少量数据。
加载到磁盘/HDFS/共享存储等：这样不用占用内存空间，在处理大量数据时一般采取这种方式，但是缺点是每次数据加载进来也是一次 IO 的开销，非常影响速度。

在 PaddlePaddle 中我们可以有三种模式来读取数据：分别是 reader、reader creator 和 reader decorator, 这三者有什么区别呢？

reader：从本地、网络、分布式文件系统 HDFS 等读取数据，也可随机生成数据，并返回一个或多个数据项。
reader creator：一个返回 reader 的函数。
reader decorator：装饰器，可组合一个或多个 reader。

Reader

我们先以 reader 为例，为房价数据（斯坦福吴恩达的公开课第一课举例的数据）创建一个 reader：

1. 创建一个 reader，实质上是一个迭代器，每次返回一条数据（此处以房价数据为例）

reader = paddle.dataset.uci_housing.train()

2. 创建一个 shuffle_reader，把上一步的 reader 放进去，配置 buf_size 就可以读取 buf_size 大小的数据自动做 shuffle，让数据打乱，随机化

shuffle_reader = paddle.reader.shuffle(reader,buf_size= 100)

3. 创建一个 batch_reader，把上一步混洗好的 shuffle_reader 放进去，给定 batch_size，即可创建。

batch_reader = paddle.batch(shuffle_reader,batch_size = 2)

这三种方式也可以组合起来放一块：

reader = paddle.batch(
    paddle.reader.shuffle(
        uci_housing.train(),
    buf_size = 100),
    batch_size=2)

可以以一个直观的图来表示：

从图中可以看到，我们可以直接从原始数据集里拿去数据，用 reader 读取，一条条灌倒 shuffle_reader 里，在本地随机化，把数据打乱，做 shuffle，然后把 shuffle 后的数据，一个 batch 一个 batch 的形式，批量的放到训练器里去进行每一步的迭代和训练。流程简单，而且只需要使用一行代码即可实现整个过程。

Reader creator

如果想要生成一个简单的随机数据，以 reader creator 为例：

def reader_creator():
    def reader():
        while True:
            yield numpy.random.uniform(-1,1,size=784)
    return reader

源码见 creator.py, 支持四种格式：np_array，text_file，RecordIO 和 cloud_reader

Code：https://github.com/PaddlePaddle/Paddle/blob/develop/python/paddle/v2/reader/creator.py

Reader decorator

如果想要读取同时读取两部分的数据，那么可以定义两个 reader，合并后对其进行 shuffle。如我想读取所有用户对比车系的数据和浏览车系的数据，可以定义两个 reader，分别为 contrast() 和 view()，然后通过预定义的 reader decorator 缓存并组合这些数据，在对合并后的数据进行乱序操作。源码见 decorator.py

data = paddle.reader.shuffle(
        paddle.reader.compose(
            paddle.reader(contradt(contrast_path),buf_size = 100),
            paddle.reader(view(view_path),buf_size = 200),
            500)

这样有一个很大的好处，就是组合特征来训练变得更容易了！传统的跑模型的方法是，确定 label 和 feature，尽可能多的找合适的 feature 扔到模型里去训练，这样我们就需要做一张大表，训练完后我们可以分析某些特征的重要性然后重新增加或减少一些 feature 来进行训练，这样我们有需要对原来的 label-feature 表进行修改，如果数据量小没啥影响，就是麻烦点，但是数据量大的话需要每一次增加 feature，和主键、label 来 join 的操作都会很耗时，如果采取这种方式的话，我们可以对某些同一类的特征做成一张表，数据存放的地址存为一个变量名，每次跑模型的时候想选取几类特征，就创建几个 reader，用 reader decorator 组合起来，最后再 shuffle 灌倒模型里去训练。这！样！是！不！是！很！方！便！

如果没理解，我举一个实例，假设我们要预测用户是否会买车，label 是买车 or 不买车，feature 有浏览车系、对比车系、关注车系的功能偏好等等 20 个，传统的思维是做成这样一张表：

如果想要减少 feature_2, 看看 feature_2 对模型的准确率影响是否很大，那么我们需要在这张表里去掉这一列，想要增加一个 feature 的话，也需要在 feature 里增加一列，如果用 reador decorator 的话，我们可以这样做数据集：

把相同类型的 feature 放在一起，不用频繁的 join 减少时间，一共做四个表，创建 4 个 reador：

data = paddle.reader.shuffle(
            paddle.reader.compose(
                paddle.reader(table1(table1_path),buf_size = 100),
                paddle.reader(table2(table2_path),buf_size = 100),
                paddle.reader(table3(table3_path),buf_size = 100),
                paddle.reader(table4(table4_path),buf_size = 100),
            500)

如果新发现了一个特征，想尝试这个特征对模型提高准确率有没有用，可以再单独把这个特征数据提取出来，再增加一个 reader，用 reader decorator 组合起来，shuffle 后放入模型里跑就行了。

PaddlePaddle 的数据预处理实例

还是以手写数字为例，对数据进行处理后并划分 train 和 test，只需要 4 步即可：

1. 指定数据地址

import paddle.v2.dataset.common
import subprocess
import numpy
import platform
__all__ = ['train', 'test', 'convert']

URL_PREFIX = 'http://yann.lecun.com/exdb/mnist/'
TEST_IMAGE_URL = URL_PREFIX + 't10k-images-idx3-ubyte.gz'
TEST_IMAGE_MD5 = '9fb629c4189551a2d022fa330f9573f3'
TEST_LABEL_URL = URL_PREFIX + 't10k-labels-idx1-ubyte.gz'
TEST_LABEL_MD5 = 'ec29112dd5afa0611ce80d1b7f02629c'
TRAIN_IMAGE_URL = URL_PREFIX + 'train-images-idx3-ubyte.gz'
TRAIN_IMAGE_MD5 = 'f68b3c2dcbeaaa9fbdd348bbdeb94873'
TRAIN_LABEL_URL = URL_PREFIX + 'train-labels-idx1-ubyte.gz'
TRAIN_LABEL_MD5 = 'd53e105ee54ea40749a09fcbcd1e9432'

2. 创建 reader creator

def reader_creator(image_filename, label_filename, buffer_size):
     # 创建一个reader
     def reader():
         if platform.system() == 'Darwin':
             zcat_cmd = 'gzcat'
         elif platform.system() == 'Linux':
             zcat_cmd = 'zcat'
         else:
             raise NotImplementedError()

         m = subprocess.Popen([zcat_cmd, image_filename], stdout=subprocess.PIPE)
         m.stdout.read(16)  

         l = subprocess.Popen([zcat_cmd, label_filename], stdout=subprocess.PIPE)
         l.stdout.read(8)  

         try:  # reader could be break.
             while True:
                 labels = numpy.fromfile(
                     l.stdout, 'ubyte', count=buffer_size).astype("int")

                 if labels.size != buffer_size:
                     break  # numpy.fromfile returns empty slice after EOF.

                 images = numpy.fromfile(
                     m.stdout, 'ubyte', count=buffer_size * 28 * 28).reshape(
                         (buffer_size, 28 * 28)).astype('float32')

                 images = images / 255.0 * 2.0 - 1.0

                 for i in xrange(buffer_size):
                     yield images[i, :], int(labels[i])
         finally:
             m.terminate()
             l.terminate()

     return reader

3. 创建训练集和测试集

def train():
     """
     创建mnsit的训练集 reader creator
     返回一个reador creator，每个reader里的样本都是图片的像素值，在区间[0,1]内，label为0~9
     返回：training reader creator
     """
     return reader_creator(
         paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist',
                                           TRAIN_IMAGE_MD5),
         paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist',
                                           TRAIN_LABEL_MD5), 100)


 def test():
     """
     创建mnsit的测试集 reader creator
     返回一个reador creator，每个reader里的样本都是图片的像素值，在区间[0,1]内，label为0~9
     返回：testreader creator
     """
     return reader_creator(
         paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist',
                                           TEST_IMAGE_MD5),
         paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist',
                                           TEST_LABEL_MD5), 100)

4. 下载数据并转换成相应格式

def fetch():
     paddle.v2.dataset.common.download(TRAIN_IMAGE_URL, 'mnist', TRAIN_IMAGE_MD5)
     paddle.v2.dataset.common.download(TRAIN_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)
     paddle.v2.dataset.common.download(TEST_IMAGE_URL, 'mnist', TEST_IMAGE_MD5)
     paddle.v2.dataset.common.download(TEST_LABEL_URL, 'mnist', TRAIN_LABEL_MD5)


 def convert(path):
     """
     将数据格式转换为 recordio format
     """
     paddle.v2.dataset.common.convert(path, train(), 1000, "minist_train")
     paddle.v2.dataset.common.convert(path, test(), 1000, "minist_test")

如果想换成自己的训练数据，只需要按照步骤改成自己的数据地址，创建相应的 reader creator（或者 reader decorator）即可。

这是图像的例子，如果我们想训练一个文本模型，做一个情感分析，这个时候如何处理数据呢？步骤也很简单。

假设我们有一堆数据，每一行为一条样本，以 \t 分隔，第一列是类别标签，第二列是输入文本的内容，文本内容中的词语以空格分隔。以下是两条示例数据：

positive        今天终于试了自己理想的车 外观太骚气了 而且中控也很棒
negative       这台车好贵 而且还费油 性价比太低了

现在开始做数据预处理

1. 创建 reader

def train_reader(data_dir, word_dict, label_dict):
     def reader():
         UNK_ID = word_dict["<UNK>"]
         word_col = 0
         lbl_col = 1

         for file_name in os.listdir(data_dir):
             with open(os.path.join(data_dir, file_name), "r") as f:
                 for line in f:
                     line_split = line.strip().split("\t")
                     word_ids = [
                         word_dict.get(w, UNK_ID)
                         for w in line_split[word_col].split()
                     ]
                     yield word_ids, label_dict[line_split[lbl_col]]

     return reader

返回类型为： paddle.data_type.integer_value_sequence（词语在字典的序号）和 paddle.data_type.integer_value（类别标签）

2. 组合读取方式

train_reader = paddle.batch(
         paddle.reader.shuffle(
             reader.train_reader(train_data_dir, word_dict, lbl_dict),
             buf_size=1000),
         batch_size=batch_size)

完整的代码如下（加上了划分 train 和 test 部分）：

import os


 def train_reader(data_dir, word_dict, label_dict):
     """
    创建训练数据reader
     :param data_dir: 数据地址.
     :type data_dir: str
     :param word_dict: 词典地址,
         词典里必须有 "UNK" .
     :type word_dict:python dict
     :param label_dict: label 字典的地址
     :type label_dict: Python dict
     """

     def reader():
         UNK_ID = word_dict["<UNK>"]
         word_col = 1
         lbl_col = 0

         for file_name in os.listdir(data_dir):
             with open(os.path.join(data_dir, file_name), "r") as f:
                 for line in f:
                     line_split = line.strip().split("\t")
                     word_ids = [
                         word_dict.get(w, UNK_ID)
                         for w in line_split[word_col].split()
                     ]
                     yield word_ids, label_dict[line_split[lbl_col]]

     return reader


 def test_reader(data_dir, word_dict):
     """
     创建测试数据reader
     :param data_dir: 数据地址.
     :type data_dir: str
     :param word_dict: 词典地址,
         词典里必须有 "UNK" .
     :type word_dict:python dict
     """

     def reader():
         UNK_ID = word_dict["<UNK>"]
         word_col = 1

         for file_name in os.listdir(data_dir):
             with open(os.path.join(data_dir, file_name), "r") as f:
                 for line in f:
                     line_split = line.strip().split("\t")
                     if len(line_split) < word_col: continue
                     word_ids = [
                         word_dict.get(w, UNK_ID)
                         for w in line_split[word_col].split()
                     ]
                     yield word_ids, line_split[word_col]

     return reader

总结

这篇文章主要讲了在 paddlepaddle 里如何加载自己的数据集，转换成相应的格式，并划分 train 和 test。我们在使用一个框架的时候通常会先去跑几个简单的 demo，但是如果不用常见的 demo 的数据，自己做一个实际的项目，完整的跑通一个模型，这才代表我们掌握了这个框架的基本应用知识。跑一个模型第一步就是数据预处理，在 paddlepaddle 里，提供的方式非常简单，但是有很多优点：

shuffle 数据非常方便
可以将数据组合成 batch 训练
可以利用 reader decorator 来组合多个 reader，提高组合特征运行模型的效率
可以多线程读取数据

而我之前使用过 mxnet 来训练车牌识别的模型，50w 的图片数据想要一次训练是非常慢的，这样的话就有两个解决方法：一是批量训练，这一点大多数的框架都会有，二是转换成 mxnet 特有的 rec 格式，提高读取效率，可以通过 im2rec.py 将图片转换，比较麻烦，如果是 tesnorflow，也有相对应的特定格式 tfrecord，这几种方式各有优劣，从易用性上，paddlepaddle 是比较简单的。

参考文章：

1. 官网说明：http://doc.paddlepaddle.org/develop/doc_cn/getstarted/concepts/use_concepts_cn.html

本文为机器之心专栏，转载请联系原作者获得授权。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2017-11-25，如有侵权请联系 cloudcommunity@tencent.com 删除

深度学习