具有HDFS的Tensorflow数据集API

Question

我们在HDFS目录中存储了一个* .tfrecord文件列表。我想使用新的Dataset API，但给出的唯一示例是使用旧的filequeue和string_input_producer（https://www.tensorflow.org/deploy/hadoop）。这些方法使得难以在其他事物中生成时期。

有没有办法在数据集API中使用HDFS？

Answer 1

HDFS文件系统层适用于旧的基于队列的API和新的tf.data API。假设您已根据TensorFlow/Hadoop deployment guide配置了系统，则可以使用以下代码基于HDFS中的文件创建数据集：

dataset = tf.data.TFRecordDataset(["hdfs://namenode:8020/path/to/file1.tfrecords",
                                   "hdfs://namenode:8020/path/to/file2.tfrecords"])
dataset = dataset.map(lambda record: tf.parse_single_example(record, ...)
# ...

请注意，由于HDFS是一个分布式文件系统，您可能会受益于输入管道性能指南的"Parallelize data extraction"部分中的一些建议。