洗牌后，Tensorflow 数据集是否在数据集转换的时期之间洗牌？

Question

我在 TensorFlow 管道上工作，我将一堆信号加载到数据集中，我随机播放这些信号，然后对信号进行窗口化，然后进行批处理和重复。此数据集用于通过 model.fit 函数调用训练 tf.keras 模型。信号的 windows 不打乱非常重要，这就是数据集转换顺序的原因。

我想知道信号的顺序是否会在时期之间打乱？我发现 dataset.shuffle().batch().repeat() 会在时期之间随机播放数据集，但这对我的应用程序不起作用，因为我需要在随机播放后进行窗口化和其他转换。

我正在使用 TensorFlow 版本 1.13.1。

#... some pre-processing on the signals 
signalList = [...] # a list of tuples (data, label)
dataset = tf.data.Dataset.from_generator(lambda: signalList)
dataset = dataset.shuffle(buffer_size=self.buffer_size)  ## will this shuffle be repeated??
dataset = dataset.map(...) # windowing and other transforms
dataset = dataset.batch()
dataset = dataset.repeat()

model.fit(dataset, ...)

编辑：我感兴趣的行为是我希望信号的顺序在每个时期都重新洗牌。所以，如果我有 3 个信号

signal0=[window0_0,window0_1]
signal1=[window1_0,window1_1,window1_2]
signal2=[window2_0]

那么输出将如下所示：

tf.Tensor([signal0,signal2,signal1],...) # equivalent to tf.Tensor([window0_0,window0_1,window2_0,window1_0,window1_1,window1_2])
tf.Tensor([signal1,signal0,signal2],...) # equivalent to tf.Tensor([window1_0,window1_1,window1_2,window0_0,window0_1,window2_0])

转换 datset.map(windowing).shuffle().batch().repeat() 会产生类似这样的东西（我对此不感兴趣）

tf.Tensor([window0_1,window1_1,window2_0,window1_0,window0_0,window1_2])
tf.Tensor([window0_0,window1_2,window0_1,window2_0,window1_1,window1_0])

Answer 1

您可以将可选参数传递给 .shuffle() 以防止重新洗牌每个时期。

所以，如果我有这样的数据集：

def gen():
  yield 1
  yield 2
  yield 3

ds = tf.data.Dataset.from_generator(gen, output_shapes=(), output_types=tf.int32)

然后做：

shuffled_and_batched = ds.shuffle(3).batch(3).repeat()

给出输出：

tf.Tensor([3 2 1], shape=(3,), dtype=int32)
tf.Tensor([1 3 2], shape=(3,), dtype=int32)
tf.Tensor([2 1 3], shape=(3,), dtype=int32)
tf.Tensor([3 1 2], shape=(3,), dtype=int32)
tf.Tensor([2 3 1], shape=(3,), dtype=int32)

每个时期都会重新排序我的 3 个元素。据我所知，这是您想避免的行为。

如果我这样做：

shuffled_and_batched = ds.shuffle(3, reshuffle_each_iteration=False).batch(3).repeat()

然后我得到输出：

tf.Tensor([1 3 2], shape=(3,), dtype=int32)
tf.Tensor([1 3 2], shape=(3,), dtype=int32)
tf.Tensor([1 3 2], shape=(3,), dtype=int32)
tf.Tensor([1 3 2], shape=(3,), dtype=int32)
tf.Tensor([1 3 2], shape=(3,), dtype=int32)

顺序打乱一次，然后每个时期重复使用。

Answer 2

经过一些调查，我意识到是的，shuffle 在每个纪元之后都会被调用，即使在洗牌之后和批处理之前还有其他转换。我不确定这对管道意味着什么（例如，我不确定窗口是否在每个时期都被调用并且正在减慢处理速度），但我创建了一个 jupyter notebook，其中我创建了一个小版本管道

signalList = [...] # a list of tuples (data, label)
dataset = tf.data.Dataset.from_generator(lambda: signalList)
dataset = dataset.shuffle(buffer_size=self.buffer_size)  
dataset = dataset.map(...) # windowing and other transforms
dataset = dataset.batch()
dataset = dataset.repeat()

创建了一个迭代器

iterator = dataset.make_one_shot_iterator()

并绘制了几个时期的信号

next_ = iterator.get_next()
for i in range(10):  # 10 epochs
    full_signal = []
    for j in range(29):  # 29 events for this epoch
        next_ = iterator.get_next()
        full_signal = np.concatenate((full_signal, next_[0][0]), axis=None)

    fig = plt.figure(figsize=(18, 5))
    plt.plot(full_signal)

并看到信号看起来总是处于不同的顺序，这意味着它们在每个纪元后都会得到 re-shuffled。

如果有人有更详细的答案，他们可以解释这是如何与 DatasetAPI 编译的方式一起工作的，或者如果他们可以澄清这些转换的顺序是否会减慢管道速度，我将不胜感激！

洗牌后，Tensorflow 数据集是否在数据集转换的时期之间洗牌？

Does Tensorflow Dataset shuffle between epochs with Dataset transforms after shuffle?

python

tensorflow

tensorflow-datasets