怕这才是“深度学习”的正确打开方式！
今日小天带来的就是天池用户Clark Wan分享的干货——如何使用PAI深度学习TensorFlow读写OSS教程~
导语
Python不支持读取oss的数据, 故所有调用 python Open(), os.path.exist() 等文件, 文件夹操作的函数的代码都无法执行。
如Scipy.misc.imread(), numpy.load() 等。
那如何在PAI读取数据呢, 通常我们采用两种办法。
如果只是简单的读取一张图片, 或者一个文本等, 可以使用tf.gfile下的函数, 具体成员函数如下：
tf.gfile.Copy(oldpath, newpath, overwrite=False) # 拷贝文件
tf.gfile.DeleteRecursively(dirname) # 递归删除目录下所有文件tf.gfile.Exists(filename) # 文件是否存在
tf.gfile.FastGFile(name, mode='r') # 无阻塞读写文件tf.gfile.GFile(name, mode='r') # 读写文件
tf.gfile.Glob(filename) # 列出文件夹下所有文件, 支持patterntf.gfile.IsDirectory(dirname) # 返回dirname是否为一个目录
tf.gfile.ListDirectory(dirname) # 列出dirname下所有文件
tf.gfile.MakeDirs(dirname) # 在dirname下创建一个文件夹, 如果父目录不存在, 会自动创建父目录. 如果文件夹已经存在, 且文件夹可写, 会返回成功
tf.gfile.MkDir(dirname) # 在dirname处创建一个文件夹tf.gfile.Remove(filename) # 删除filename
tf.gfile.Rename(oldname, newname, overwrite=False) # 重命名
tf.gfile.Stat(dirname) # 返回目录的统计数据tf.gfile.Walk(top, inOrder=True) # 返回目录的文件树具体的文档可以参照这里http://t.cn/EVuwpoc
如果是一批一批的读取文件, 一般会采用tf.WholeFileReader() 和 tf.train.batch() 或者 tf.train.shuffer_batch()；
接下来会重点介绍常用的 tf.gfile.Glob, tf.gfile.FastGFile, tf.WholeFileReader() 和 tf.train.shuffer_batch()
读取文件一般有两步
- 获取文件列表
- 读取文件
如果是批量读取, 还有第三步
- 创建batch
从代码上手: 在使用PAI的时候, 通常需要在右侧设置读取目录, 代码文件等参数, 这些参数都会通过--XXX的形式传入
tf.flags可以提供这个功能
接下来就分两种情况：
1.(小规模读取时建议) tf.gfile.FastGFile()
2.(大批量读取时建议) tf.WholeFileReader()
解释下其中重要的部分
tf.train.string_input_producer, 这个是把files转换成一个队列, 并且需要 tf.train.start_queue_runners 来启动队列；
tf.train.shuffle_batch 参数解释；
batch_size 批大小, 每次运行这个batch, 返回多少个数据；
num_threads 运行线程数, 在PAI上4个就好；
capacity 随机取文件范围, 比如你的数据集有10000个数据, 你想从5000个>数据中随机取, capacity就设置成5000；
min_after_dequeue 维持队列的最小长度, 这里只要注意不要大于capacity即可。
如果遇到不得不使用第三方库的情况:
如读取pkl、npy、tiff可以使用tf.gfile.Copy(FLAGS.buckets,'./文件名')从OSS拷贝到运行时目录 ('./') , 然后用直接用第三方库读取就可以。
文件写入
直接使用tf.gfile.FastGFile()写入
tf.gfile.FastGFile(FLAGS.checkpointDir + 'example.txt', 'wb').write('hello world')
通过tf.gfile.Copy()拷贝
tf.gfile.Copy('./example.txt', FLAGS.checkpointDir + 'example.txt')
通过这两种方法, 文件都会出现在 '输出目录/model/example.txt' 下
费用开支
这里只讨论读取文件所需要的费用开支
原则上来说, PAI不跨区域读取OSS是不收费的, 但是OSS的API是收费的。 PAI在使用 tf.gile.Glob 的时候会产生GET请求, 在写入tensorboard 的时候，也会产生PUT请求。 这两种请求都是按次收费的，具体价格如下：
标准型单价: 0.01元/万次
低频访问型单价: 0.1元/万次
归档型单价: 0.1元/万次
当数据集有几十万图片, 通过 tf.gile.Glob 一次就需要几毛钱， 所以减少费用开支的方法就是减少GET请求次数。
这里给出几种解决思路：
最好的解决思路, 把所有会使用到的数据, 一并上传传到OSS, 然后使用tensorflow拷贝到运行时目录, 最后通过tensorflow读取, 这样是最节省开支的.
通过tfrecords, 在本地, 提前把几十上百张图片通过tfrecords存下来, 这样读取的时候可以减少GET请求
把训练使用的图片随着代码的压缩包一起传上去, 不走OSS读取
三种方法都可以显著的减少开支.。
除此之外，插播一则天池相关的PAI-DSW产品GPU资源促销，感兴趣的同学抓紧戳！
使用注意
事实上, 每次读取传过来的地址就是 oss://你的buckets名字/XXX, 本以为不需要在PAI界面上设置, 直接读取这个目录就好, 事实上并不如此。
PAI没有权限读取不在数据源目录和输出目录下的文件, 所以在使用路径前, 确保他们已经在控制台右侧设置过。
另外如果需要写入文件到OSS, 可以使用 tf.gfile.fastGFile('OSS路径', 'wb').write('内容')
OSS路径推荐使用：FLAGS.checkpointDir以及FLAGS.summaryDIr这样的形式传入,经过测试，好像也只有这两个目录下有写权限；
FLAGS.buckets下所有文件夹都有读写权限。
