Python 如何使生成器可调用?
我正在尝试从一个包含784位长行的CSV文件创建一个数据集。这是我的密码:Python 如何使生成器可调用?,python,Python,我正在尝试从一个包含784位长行的CSV文件创建一个数据集。这是我的密码: import tensorflow as tf f = open("test.csv", "r") csvreader = csv.reader(f) gen = (row for row in csvreader) ds = tf.data.Dataset() ds.from_generator(gen, [tf.uint8]*28**2) 我得到以下错误: ----------------------------
import tensorflow as tf
f = open("test.csv", "r")
csvreader = csv.reader(f)
gen = (row for row in csvreader)
ds = tf.data.Dataset()
ds.from_generator(gen, [tf.uint8]*28**2)
我得到以下错误:
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-22-4b244ea66c1d> in <module>()
12 gen = (row for row in csvreader_pat_trn)
13 ds = tf.data.Dataset()
---> 14 ds.from_generator(gen, [tf.uint8]*28**2)
~/Documents/Programming/ANN/labs/lib/python3.6/site-packages/tensorflow/python/data/ops/dataset_ops.py in from_generator(generator, output_types, output_shapes)
317 """
318 if not callable(generator):
--> 319 raise TypeError("`generator` must be callable.")
320 if output_shapes is None:
321 output_shapes = nest.map_structure(
TypeError: `generator` must be callable.
---------------------------------------------------------------------------
TypeError回溯(最近一次调用上次)
在()
12 gen=(csvreader\u pat\u trn中的行与行)
13 ds=tf.data.Dataset()
--->14来自发电机的ds(发电机[tf.uint8]*28**2)
~/Documents/Programming/ANN/labs/lib/python3.6/site-packages/tensorflow/python/data/ops/dataset\u ops.py from_generator(生成器、输出类型、输出形状)
317 """
318如果不可调用(生成器):
-->319 raise TypeError(“'generator'必须是可调用的。”)
320如果输出形状为无:
321输出形状=nest.map\u结构(
TypeError:`generator`必须是可调用的。
他们说我应该让一个生成器从_generator()传递到,所以我就是这么做的,gen
是一个生成器。但是现在他们抱怨我的生成器不可调用。我如何使生成器可调用,以便让它工作
编辑:
我想补充一点,我正在使用python 3.6.4。这就是错误的原因吗?,您链接了:
generator
参数必须是返回
支持iter()
协议的对象(例如生成器函数)
这意味着您应该能够执行以下操作:
import tensorflow as tf
import csv
with open("test.csv", "r") as f:
csvreader = csv.reader(f)
gen = lambda: (row for row in csvreader)
ds = tf.data.Dataset()
ds.from_generator(gen, [tf.uint8]*28**2)
换句话说,您传递的函数在调用时必须生成一个生成器。这在使其成为匿名函数(alambda
)时很容易实现
或者,试试这个,它更接近文档中的操作方式:
import tensorflow as tf
import csv
def read_csv(file_name="test.csv"):
with open(file_name) as f:
reader = csv.reader(f)
for row in reader:
yield row
ds = tf.data.Dataset.from_generator(read_csv, [tf.uint8]*28**2)
(如果您需要的文件名与您设置的默认文件名不同,则可以使用functools.partial(读取\u csv,file\u name=“whicher.csv”)
)
不同之处在于,read\u csv
函数在调用时返回生成器对象,而您构建的已经是生成器对象,相当于执行以下操作:
gen = read_csv()
ds = tf.data.Dataset.from_generator(gen, [tf.uint8]*28**2) # does not work
generator
参数(可能令人困惑)实际上不应该是一个生成器,而是一个返回iterable的可调用函数(例如,一个生成器函数)。这里最简单的选择可能是使用lambda
。此外,还有几个错误:1)该函数(与TensorFlow中的其他一些函数一样)对参数的要求非常严格,它希望您将数据类型和每个数据行的顺序指定为元组
s(而不是CSV读取器返回的列表
s)例如,您可以使用map
:
import csv
import tensorflow as tf
with open("test.csv", "r") as f:
csvreader = csv.reader(f)
ds = tf.data.Dataset.from_generator(lambda: map(tuple, csvreader),
(tf.uint8,) * (28 ** 2))
哎呀,两年后……但是嘿!另一个解决办法!:D
这可能不是最清晰的答案,但对于更复杂的生成器,可以使用装饰器。我制作了一个生成器,可以生成两个词典,例如:
列车,val=dataloader(“路径/目的地/数据集”)
>>>x,y=下一列(列车)
>>>打印(x)
{“数据”:[…],“文件名”:“image.png”}
>>>打印(y)
{“类别”:“狗”,“类别id”:1,“背景”:“公园”}
当我尝试使用_生成器中的时,它给出了错误:
>>> ds_tf = tf.data.Dataset.from_generator(
iter(mm),
({"data":tf.float32, "filename":tf.string},
{"category":tf.string, "category_id":tf.int32, "background":tf.string})
)
TypeError: `generator` must be callable.
但后来我写了一个装饰函数
>>> def make_gen_callable(_gen):
def gen():
for x,y in _gen:
yield x,y
return gen
>>> train_ = make_gen_callable(train)
真的吗?文档中的例子是一个普通的老式生成器函数,具有yield
而不是return
的函数,不是生成器吗?哦,是的,你说得对,克里斯。gen
是文档中的生成器,不是返回生成器的函数。@Chris\u Rands是的,这很奇怪。显然,生成器也被定义为函数工作。@Chris_Rands我认为区别在于,如果调用该函数(即生成器),它将返回生成器对象。而(x代表x in…)
已经是生成器对象本身了。是的,我理解其中的区别,但我真诚地认为,从张量的部分,比如从\u generator\u函数的中,名称应该更清楚
>>> train_ds = tf.data.Dataset.from_generator(
train_,
({"data":tf.float32, "filename":tf.string},
{"category":tf.string, "category_id":tf.int32, "background":tf.string})
)
>>> for x,y in train_ds:
break
>>> print(x)
{'data': <tf.Tensor: shape=(320, 480), dtype=float32, ... >,
'filename': <tf.Tensor: shape=(), dtype=string, ...>
}
>>> print(y)
{'category': <tf.Tensor: shape=(), dtype=string, numpy=b'Dog'>,
'category_id': <tf.Tensor: shape=(), dtype=int32, numpy=1>,
'background': <tf.Tensor: shape=(), dtype=string, numpy=b'Living Room'>
}
>>> for x,y in train_():
do_stuff(x,y)
...