混洗后，Tensorflow数据集是否在具有数据集转换的历元之间进行混洗？

Question

我正在TensorFlow管道上工作，在该管道中我将一堆信号加载到数据集中，对这些信号进行混洗，然后对信号进行窗口化处理，然后进行批处理和重复操作。 该数据集用于通过调用model.fit函数来训练tf.keras模型。 不要混洗信号窗口，这很重要，这就是为什么这是数据集转换的顺序。

我想知道信号的顺序是否会在各个时期之间被打乱？ 我发现dataset.shuffle().batch().repeat()将使数据集在各个纪元之间进行混合，但这不适用于我的应用程序，因为在混合之后我需要进行窗口化和其他转换。

我正在使用TensorFlow 1.13.1版本。

#... 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每个时代重新调整信号的顺序。 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]) 

在哪里转换datset.map（windowing）.shuffle（）。batch（）。repeat（）会产生这样的内容（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

您可以向.shuffle()传递一个可选参数，以防止重新组合每个时期。

所以，如果我有一个像这样的数据集：

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)

每个时代重新排列我的3个元素。 我了解这是您要避免的行为。

相反，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)

顺序改组一次，然后在每个时期重用。

Answer 2

经过一番调查，我意识到是的，即使在混洗之后和批处理之前还有其他变换， shuffle也会在每个时期之后调用。 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），但是我创建了一个jupyter笔记本，在其中创建了一个小版本的管道

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)

并且看到信号看上去总是处于不同的顺序，这意味着它们在每个时期之后都被重新洗牌了。

如果有人有更详细的答案，他们可以在其中解释如何与DatasetAPI编译一起使用，或者他们可以弄清楚这些转换的顺序是否会减慢管道的速度，我将不胜感激！