PYTHON上數(shù)據(jù)儲(chǔ)存:推薦h5py,有需要的朋友可以參考下。
最近在做一個(gè)CNN的項(xiàng)目,文件夾里有20w張圖片要讀入并保存到一個(gè)data文件(不然每次都讀20w文件太麻煩)。
折騰了一個(gè)下午,發(fā)現(xiàn)了一個(gè)極好用的包 h5py:將數(shù)據(jù)儲(chǔ)存在hdf5文件中。
這東西有多好用呢?
速度,內(nèi)存占用,壓縮程度都比cPickle+gzip來的優(yōu)秀。
相比之下上面兩個(gè)變逗比了……
我把所有圖片都放在一個(gè)ndarray并保存為一個(gè)文件:
8190張圖片的.mat 16GB, 81900圖片的.pkl.gz……根本就生成不了, 81900張圖片的.h5 15GB.
不僅可以保存大數(shù)據(jù),而且壓縮率是mat的十倍!
可見為什么我這么興奮來一發(fā)……
說說h5py其他方式的缺點(diǎn):
1、numpy.save , numpy.savez , scipy.io.savemat
numpy和scipy提供的數(shù)據(jù)存儲(chǔ)方法。官方說savez是save的壓縮版,盡管在實(shí)踐中,什么都沒能壓縮到。
而且這三個(gè)方法產(chǎn)生的文件大小都是一樣的…………非常大。
8000張256*256*3的圖片出來就是一個(gè)16G的文件,簡直忍無可忍。而且調(diào)用方法很麻煩。
2、cPickle + gzip
這里忽略pickle這家伙,直接被cPiclke虐了。
.pkl.gz 是mnist的官方后綴。看來是會(huì)很好用的樣子。
但是實(shí)際使用中,有兩個(gè)難以避免的問題:
-
- 速度慢,內(nèi)存占用高(就是性能不好)
- 大矩陣儲(chǔ)存無能
前者我就不說了。關(guān)于后者,這是python官bug,如果你在cPickle.dump()的時(shí)候碰上“SystemError:errorreturnwithoutexceptionset”,那么恭喜你,中獎(jiǎng)了。
python官方對(duì)于這個(gè)問題的解釋:http://bugs./issue11564
咦?修好了?毛線! 3修好了,2.7照樣bug,所以如果你的linux或者ubuntu內(nèi)嵌的是python2.7,哭死吧。
盡管cPickle+gzip性能已經(jīng)很優(yōu)秀,但是和h5py性能的對(duì)比,看這篇:
http://www./2010/01/storing-large-numpy-arrays-on-disk-python-pickle-vs-hdf5adsf/
3、h5py
抱歉找不到缺點(diǎn),唯一的缺點(diǎn)就是很難安裝。所以一下是h5py安裝教程。
h5py安裝:
官方教程:http://docs./en/latest/build.html#install
這里教教你,官方教程都是坑爹的:沒有源叫你apt-get,給你bin讓你make。所以這里, 我走過能行的路:
1、確定系統(tǒng)有python,numpy,libhdf5-dev,和HDF5.前三者一般都有。這里要安裝HDF5
2、去HDF5官方網(wǎng)站下載編譯好的bin(是的,盡管教程讓編譯,這里給用戶的就是編譯好的bin,搞得我這小白編譯了半天);
http://www./HDF5/
3、解壓,重命名文件夾為hdf5,移動(dòng)到 /usr/local/hdf5 下
4、添加環(huán)境變量:
export HDF5_DIR=/usr/local/hdf5
到這里HDF5就安裝好了,只有安裝好的HDF5才能順利安裝h5py
5、pip install h5py
簡易例程:
寫入:import h5pyimport numpy as np
data = mp.array( [222,333,444] ) label = np.array( [0,1,0] ) img_num = np.array( [0,1,2] ) # 創(chuàng)建HDF5文件 file = h5py.File('TrainSet_rotate.h5','w') # 寫入
file.create_dataset('train_set_x', data = data)
file.create_dataset('train_set_y', data = label)
file.create_dataset('train_set_num',data = img_num)
# 。。。。。。。。。 file.close()
讀?。?/p>
import numpy as np
import h5py
# 讀方式打開文件
file=h5py.File('TrainSet_rotate.h5','r')
# 盡管后面有 '[:]', 但是矩陣怎么進(jìn)去的就是怎么出來的,不會(huì)被拉長(matlab后遺癥)
train_set_data = file['train_set_x'][:]
train_set_y = file['train_set_y'][:]
train_set_img_num = file['train_set_img_num'][:]
# .........
file.close()
好了,你已經(jīng)會(huì)使用h5py了,快嘗試下h5py給你帶來的快感吧!
附送小技巧:如何在同一行輸出
1、
for i in range(10):
print("Loading" + "." * i)
sys.stdout.write("\033[F") # Cursor up one line
2、
for x in range (0,5):
b = "Loading" + "." * x
print (b, end="\r")
前面的方法會(huì)好用點(diǎn)
|