tf.train.batch 的偶尔乱序问题

我们在通过 tf.Reader 读取文件后，都需要用 batch 函数将读取的数据根据预先设定的 batch_size 打包为一个个独立的 batch 方便我们进行学习。
常用的 batch 函数有 tf.train.batch 和 tf.train.shuffle_batch 函数。前者是将数据从前往后读取并顺序打包，后者则要进行乱序处理————即将读取的数据进行乱序后在组成批次。
训练时我往往都是使用 shuffle_batch 函数，但是这次我在验证集上预调好模型并 freeze 模型后我需要在测试集上进行测试。此时我需要将数据的标签和 inference 后的结果进行一一对应。此时数据出现的顺序是十分重要的，这保证我们的产品在上线前的测试集中能准确 get 到每个数据和 inference 后结果的差距 而在验证集中我们不太关心数据原有的标签和 inference 后的真实值，我们往往只是需要让这两个数据一一对应，关于数据出现的顺序我们并不关心。
此时我们一般使用 tf.train.batch 函数将 tf.Reader 读取的值进行顺序打包即可。

然而 tf.train.batch 函数往往会有偶尔乱序的情况

我们将 csv 文件中每个数据样本从上往下依次进行标号，我们在使用 tf.trian.batch 函数依次进行读取，如果我们读取的数据编号乱序了，则表明 tf.train.batch 函数有偶尔乱序的状况。

源程序文件下载[1]test_tf_train_batch.csv[2]

import tensorflow as tf

BATCH_SIZE = 400
NUM_THREADS = 2
MAX_NUM = 500


def read_data(file_queue):
    reader = tf.TextLineReader(skip_header_lines=1)
    key, value = reader.read(file_queue)
    defaults = [[0], [0.], [0.]]
    NUM, C, Tensile = tf.decode_csv(value, defaults)
    vertor_example = tf.stack([C])
    vertor_label = tf.stack([Tensile])
    vertor_num = tf.stack([NUM])

    return vertor_example, vertor_label, vertor_num


def create_pipeline(filename, batch_size, num_threads):
    file_queue = tf.train.string_input_producer([filename])  # 设置文件名队列
    example, label, no = read_data(file_queue)  # 读取数据和标签

    example_batch, label_batch, no_batch = tf.train.batch(
        [example, label, no], batch_size=batch_size, num_threads=num_threads, capacity=MAX_NUM)

    return example_batch, label_batch, no_batch


x_train_batch, y_train_batch, no_train_batch = create_pipeline('test_tf_train_batch.csv', batch_size=BATCH_SIZE,
                                                               num_threads=NUM_THREADS)

init_op = tf.global_variables_initializer()
local_init_op = tf.local_variables_initializer()
with tf.Session() as sess:
    sess.run(local_init_op)
    sess.run(init_op)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)
    example, label, num = sess.run([x_train_batch, y_train_batch, no_train_batch])
    print(example)
    print(label)
    print(num)
    coord.request_stop()
    coord.join(threads)

实验结果

我们将 csv 文件中的真实 Tensile 值放在第一列，将使用 tf.train.batch 函数得到的 Tensile 和 no 分别放在第二列和第三列

TureTensile	FalseTensile	NO
0.830357143	[ 0.52678573]	[ 66]
0.526785714	[ 0.83035713]	[ 65]
0.553571429	[ 0.4375 ]	[ 68]
0.4375	[ 0.5535714 ]	[ 67]
0.517857143	[ 0.33035713]	[ 70]
0.330357143	[ 0.51785713]	[ 69]
0.482142857	[ 0.6785714 ]	[ 72]
0.678571429	[ 0.48214287]	[ 71]
0.419642857	[ 0.02678571]	[ 74]
0.026785714	[ 0.41964287]	[ 73]
0.401785714	[ 0.4017857 ]	[ 75]

解决方案

将测试集中所有样本数据加 NO 顺序标签列

参考资料

[1]源程序文件下载: https://github.com/Asurada2015/Python-Data-Analysis-Learning-Notes/blob/master/TensorFlow/demo_00/test_tf_train_batch.py

[2]test_tf_train_batch.csv: https://github.com/Asurada2015/Python-Data-Analysis-Learning-Notes/blob/master/TensorFlow/demo_00/test_tf_train_batch.csv