美文网首页
Python易筋经-yield when data is big

Python易筋经-yield when data is big

作者: 南宋临安府 | 来源:发表于2018-04-01 15:10 被阅读0次

    “唯之与阿,相去几何?
    善之与恶,相去何若?
    人之所畏,不可不畏。
    荒兮,其未央哉!
    众人熙熙,如享太牢,如春登台。
    我独泊兮,其未兆,如婴儿之未孩;傫傫兮,若无所归!
    众人皆有余,而我独若遗。
    我愚人之心也哉!”[1]

    在用scikit-learn做增量训练的时候,一般都会事先实现一个文件流迭代器,将一个大数据文件分多次使用[2],会用到yield关键字,当一个函数或方法中出现了yield之后,这个函数或方法就会被看作一个生成器(generators)了,可以使用.next()方法获取内容。

    通常意义上的函数或者方法,在程序的其他部分调用一旦返回,函数的生命周期也就结束,再次调用的时候,函数会重新被执行。而今天要介绍的yield最大的特点就是,函数的执行会被多次调用,下一次调用总是从上一次yield返回的地方开始执行,也就是多次被调用的函数拥有了记忆功能。

    被赋予生成器的函数,只会被“完整”的调用一次,也即执行到函数体的最后一行指令。
    1.函数第一次调用,会在函数体中yield的地方返回。
    2.函数第二次调用,程序会从上次返回的地方接着往下继续执行,直到再次遇到yield

    文件流迭代器

    def iter_minibatches(data_stream, minibatch_size=1000):
        '''
        迭代器
        给定文件流(比如一个大文件),每次输出minibatch_size行,默认选择1k行
        将输出转化成numpy输出,返回X, y
        '''
        X = []
        y = []
        cur_line_num = 0
    
        csvfile = file(data_stream, 'rb')
        reader = csv.reader(csvfile)
        for line in reader:
            y.append(float(line[0]))
            X.append(line[1:])  # 这里要将数据转化成float类型
    
            cur_line_num += 1
            if cur_line_num >= minibatch_size:
                X, y = np.array(X), np.array(y)  # 将数据转成numpy的array类型并返回
                yield X, y  # 每次调用,如迭代未结束,则都是在此处返回
                X, y = [], []
                cur_line_num = 0
        csvfile.close()
    
    # 生成测试文件
    minibatch_test_iterators = iter_minibatches(test_file, minibatch_size=5000)
    X_test, y_test = minibatch_test_iterators.next()  # 得到一份测试文件
    

    使用文件流迭代器进行增量训练

    from sklearn.linear_model import SGDClassifier
    sgd_clf = SGDClassifier()  # SGDClassifier的参数设置可以参考sklearn官网
    minibatch_train_iterators = iter_minibatches(data_part_file, minibatch_size=2000) # 文件批量迭代器
    
    for i, (X_train, y_train) in enumerate(minibatch_train_iterators):
        # 使用 partial_fit ,并在第一次调用 partial_fit 的时候指定 classes
        sgd_clf.partial_fit(X_train, y_train, classes=np.array([0, 1]))
        print("{} time".format(i))  # 当前次数
        print("{} score".format(sgd_clf.score(X_test, y_test)))  # 在测试集上看效果
    

    关于 yield 和 generators的概念 ,我觉得下面两篇帖子讲的挺好的,可以移步去看看:
    提高你的Python: 解释 yield 和 Generators(生成器)
    彻底理解Python中的yield


    1. 老子《道德经》第二十章,老子故里,中国鹿邑。

    2. 文件大到你一次性load到内存,会报内存不足而无法进行机器训练的时候。

    相关文章

      网友评论

          本文标题:Python易筋经-yield when data is big

          本文链接:https://www.haomeiwen.com/subject/kioocftx.html