【深度学习系列】PaddlePaddle之数据预处理

　　上篇文章讲了卷积神经网络的基本知识，本来这篇文章准备继续深入讲CNN的相关知识和手写CNN，但是有很多同学跟我发邮件或私信问我关于PaddlePaddle如何读取数据、做数据预处理相关的内容。网上看的很多教程都是几个常见的例子，数据集不需要自己准备，所以不需要关心，但是实际做项目的时候做数据预处理感觉一头雾水，所以我就写一篇文章汇总一下，讲讲如何用PaddlePaddle做数据预处理。

---

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

 __all__ = ['np_array', 'text_file', "cloud_reader"]

 def np_array(x):
     """
     Creates a reader that yields elements of x, if it is a
     numpy vector. Or rows of x, if it is a numpy matrix.
     Or any sub-hyperplane indexed by the highest dimension.
     :param x: the numpy array to create reader from.
     :returns: data reader created from x.
     """

     def reader():
         if x.ndim < 1:
             yield x

         for e in x:
             yield e

     return reader

 def text_file(path):
     """
     Creates a data reader that outputs text line by line from given text file.
     Trailing new line ('\\\\n') of each line will be removed.
     :path: path of the text file.
     :returns: data reader of text file
     """

     def reader():
         f = open(path, "r")
         for l in f:
             yield l.rstrip('\n')
         f.close()

     return reader

 def recordio(paths, buf_size=100):
     """
     Creates a data reader from given RecordIO file paths separated by ",",
         glob pattern is supported.
     :path: path of recordio files, can be a string or a string list.
     :returns: data reader of recordio files.
     """

     import recordio as rec
     import paddle.v2.reader.decorator as dec
     import cPickle as pickle

     def reader():
         if isinstance(paths, basestring):
             path = paths
         else:
             path = ",".join(paths)
         f = rec.reader(path)
         while True:
             r = f.read()
             if r is None:
                 break
             yield pickle.loads(r)
         f.close()

     return dec.buffered(reader, buf_size)

 pass_num = 0

 def cloud_reader(paths, etcd_endpoints, timeout_sec=5, buf_size=64):
     """
     Create a data reader that yield a record one by one from
         the paths:
     :paths: path of recordio files, can be a string or a string list.
     :etcd_endpoints: the endpoints for etcd cluster
     :returns: data reader of recordio files.
     ..  code-block:: python
         from paddle.v2.reader.creator import cloud_reader
         etcd_endpoints = "http://127.0.0.1:2379"
         trainer.train.(
             reader=cloud_reader(["/work/dataset/uci_housing/uci_housing*"], etcd_endpoints),
         )
     """
     import os
     import cPickle as pickle
     import paddle.v2.master as master
     c = master.client(etcd_endpoints, timeout_sec, buf_size)

     if isinstance(paths, basestring):
         path = [paths]
     else:
         path = paths
     c.set_dataset(path)

     def reader():
         global pass_num
         c.paddle_start_get_records(pass_num)
         pass_num += 1

         while True:
             r, e = c.next_record()
             if not r:
                 if e != -2:
                     print "get record error: ", e
                 break
             yield pickle.loads(r)

     return reader

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。

　　这篇文章没有与上篇衔接起来，因为看到有好几封邮件都有问怎么自己加载数据训练，所以就决定插入一节先把这个写了。下篇文章我们接着讲CNN的进阶知识。下周见^_^!

参考文章：

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