该文档涉及的组件

TFRecord Dataset文件导出 (TFRecordDatasetSinkBatchOp)

Java 类名:com.alibaba.alink.operator.batch.sink.TFRecordDatasetSinkBatchOp

Python 类名:TFRecordDatasetSinkBatchOp

功能介绍

写出 TFRecordDataset 文件(TFRecordDataset 的介绍可以参考 TensorFlow 文档:https://www.tensorflow.org/tutorials/load_data/tfrecord )。

使用说明

需要指定文件路径 filePath,默认为单并行度写出单个文件。
如果希望并行的写出文件,那么需要设置参数numFiles,得到的是一个包含多个 TFRecordDataset 文件的目录。

TFRecord 中, Feature 允许的数据类型仅有 float, int64, bytes。
其中数据类型为 bytes时,存储的数据实际上为 ByteString 的列表;为 float, int64 时存储的数据为 float 或 int64 的列表。
数据写出时会根据在 Alink 中的类型进行转换, 其他类型请先使用类型转换组件进行转换:

  • DOUBLE, FLOAT, BIG_DEC:转为float特征;
  • LONG, INT, BIG_INT, SHORT:转为int64特征;
  • STRING:转为bytes特征,按 UTF8 编码对应 1 个ByteString;
  • DENSE_VECTOR:转为float特征;
  • FLOAT_TENSOR, DOUBLE_TENSOR:转为float特征,数据被展平为1维;
  • INT_TENSOR, LONG_TENSOR:转为int64特征,数据被展平为1维;
  • BYTE_TENSOR:转为bytes特征,rank = 1 时对应 1 个ByteString,rank = 2时对应ByteString的列表,其他 rank 不支持;
  • STRING_TENSOR:转为bytes特征,按 UTF8 编码对应ByteString的列表;
  • VARBINARY:转为bytes特征,对应 1 个ByteString。

参数说明

名称 中文名称 描述 类型 是否必须? 取值范围 默认值
filePath 文件路径 文件路径 String
numFiles 文件数目 文件数目 Integer 1
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false

代码示例

Python 代码

schemaStr = "sepal_length double, sepal_width double, petal_length double, petal_width double, category string"
source = CsvSourceBatchOp() \
    .setFilePath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/iris.csv") \
    .setSchemaStr(schemaStr)
sink = TFRecordDatasetSinkBatchOp() \
    .setFilePath("/tmp/iris.tfrecord") \
    .setOverwriteSink(True) \
    .linkFrom(source)
BatchOperator.execute()

Java 代码

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.sink.TFRecordDatasetSinkBatchOp;
import com.alibaba.alink.operator.batch.source.CsvSourceBatchOp;
import org.junit.Test;

public class TFRecordDatasetSinkBatchOpTest {
	@Test
	public void testTFRecordDatasetSinkBatchOp() throws Exception {
		String schemaStr
			= "sepal_length double, sepal_width double, petal_length double, petal_width double, category string";
		BatchOperator <?> source = new CsvSourceBatchOp()
			.setFilePath("https://alink-release.oss-cn-beijing.aliyuncs.com/data-files/iris.csv")
			.setSchemaStr(schemaStr);
		BatchOperator <?> sink = new TFRecordDatasetSinkBatchOp()
			.setFilePath("/tmp/iris.tfrecord")
			.setOverwriteSink(true)
			.linkFrom(source);
		BatchOperator.execute();
	}
}