详解详解Tensorflow数据读取有三种方式（数据读取有三种方式（next_batch））
本篇文章主要介绍了Tensorflow数据读取有三种方式（next_batch），小编觉得挺不错的，现在分享给大家，也
给大家做个参考。一起跟随小编过来看看吧
Tensorflow数据读取有三种方式：数据读取有三种方式：
1. Preloaded data: 预加载数据
2. Feeding: Python产生数据，再把数据喂给后端。
3. Reading from file: 从文件中直接读取
这三种有读取方式有什么区别呢？ 我们首先要知道TensorFlow(TF)是怎么样工作的。
TF的核心是用C++写的，这样的好处是运行快，缺点是调用不灵活。而Python恰好相反，所以结合两种语言的优势。涉及计
算的核心算子和运行框架是用C++写的，并提供API给Python。Python调用这些API，设计训练模型(Graph)，再将设计好的
Graph给后端去执行。简而言之，Python的角色是Design，C++是Run。
一、预加载数据：一、预加载数据：
import tensorflow as tf
# 设计Graph
x1 = tf.constant([2, 3, 4])
x2 = tf.constant([4, 0, 1])
y = tf.add(x1, x2)
# 打开一个session --> 计算y
with tf.Session() as sess:
print sess.run(y)
二、二、python产生数据，再将数据喂给后端产生数据，再将数据喂给后端
import tensorflow as tf
# 设计Graph
x1 = tf.placeholder(tf.int16)
x2 = tf.placeholder(tf.int16)
y = tf.add(x1, x2)
# 用Python产生数据
li1 = [2, 3, 4]
li2 = [4, 0, 1]
# 打开一个session --> 喂数据 --> 计算y
with tf.Session() as sess:
print sess.run(y, feed_dict={x1: li1, x2: li2})
说明：在这里x1, x2只是占位符，没有具体的值，那么运行的时候去哪取值呢？这时候就要用到sess.run()中的feed_dict参
数，将Python产生的数据喂给后端，并计算y。
这两种方案的缺点：
1、预加载：将数据直接内嵌到Graph中，再把Graph传入Session中运行。当数据量比较大时，Graph的传输会遇到效率问
题。
2、用占位符替代数据，待运行的时候填充数据。
前两种方法很方便，但是遇到大型数据的时候就会很吃力，即使是Feeding，中间环节的增加也是不小的开销，比如数据类型
转换等等。最优的方案就是在Graph定义好文件读取的方法，让TF自己去从文件中读取数据，并解码成可使用的样本集。
三、从文件中读取，简单来说就是将数据读取模块的图搭好三、从文件中读取，简单来说就是将数据读取模块的图搭好
1、准备数据，构造三个文件,A.csv,B.csv,C.csv
$ echo -e "Alpha1,A1Alpha2,A2Alpha3,A3" > A.csv
$ echo -e "Bee1,B1Bee2,B2Bee3,B3" > B.csv
$ echo -e "Sea1,C1Sea2,C2Sea3,C3" > C.csv
评论0