Поїзд на партіях в Tensorflow

На даний момент я намагаюся навчити модель на великому файлі csv (> 70 ГБ з більш ніж 60 мільйонами рядків). Для цього я використовую tf.contrib.learn.read_batch_examples. Я намагаюся зрозуміти, як ця функція насправді читає дані. Якщо я використовую розмір партії, наприклад, 50 000, чи читає вона перші 50 000 рядків файлу? Якщо я хочу перенести цикл на весь файл (1 епоха), чи потрібно використовувати num_rows / batch_size = 1.200 кількість кроків для методу estimator.fit?

Ось функція введення, яку я зараз використовую:

def input_fn(file_names, batch_size):
    # Read csv files and create examples dict
    examples_dict = read_csv_examples(file_names, batch_size)

    # Continuous features
    feature_cols = {k: tf.string_to_number(examples_dict[k],
                                           out_type=tf.float32) for k in CONTINUOUS_COLUMNS}

    # Categorical features
    feature_cols.update({
                            k: tf.SparseTensor(
                                indices=[[i, 0] for i in range(examples_dict[k].get_shape()[0])],
                                values=examples_dict[k],
                                shape=[int(examples_dict[k].get_shape()[0]), 1])
                            for k in CATEGORICAL_COLUMNS})

    label = tf.string_to_number(examples_dict[LABEL_COLUMN], out_type=tf.int32)

    return feature_cols, label


def read_csv_examples(file_names, batch_size):
    def parse_fn(record):
        record_defaults = [tf.constant([''], dtype=tf.string)] * len(COLUMNS)

        return tf.decode_csv(record, record_defaults)

    examples_op = tf.contrib.learn.read_batch_examples(
        file_names,
        batch_size=batch_size,
        queue_capacity=batch_size*2.5,
        reader=tf.TextLineReader,
        parse_fn=parse_fn,
        #read_batch_size= batch_size,
        #randomize_input=True,
        num_threads=8
    )

    # Important: convert examples to dict for ease of use in `input_fn`
    # Map each header to its respective column (COLUMNS order
    # matters!
    examples_dict_op = {}
    for i, header in enumerate(COLUMNS):
        examples_dict_op[header] = examples_op[:, i]

    return examples_dict_op

Ось код, який я використовую для тренування моделі:

def train_and_eval():
"""Train and evaluate the model."""

m = build_estimator(model_dir)
m.fit(input_fn=lambda: input_fn(train_file_name, batch_size), steps=steps)

Що буде, якби я знову зателефонував функції fit із тим самим input_fn. Чи починається він знову на початку файлу, чи запам'ятає рядок, де він зупинився востаннє?

Оскільки відповіді ще немає, я хочу спробувати дати хоч якось корисну відповідь. Включення визначень констант допоможе трохи зрозуміти наданий код.

Взагалі партія використовує n разів запис або елемент. Як ви визначите предмет, залежить від вашої проблеми. У тензорфлорі партія кодується в першому вимірі тензора. У вашому випадку з файлом csv це може бути рядок ( reader=tf.TextLineReader). Це може вивчитись за стовпцями, але я не думаю, що це відбувається у вашому коді. Якщо ви хочете тренуватися з усім набором даних (= одна епоха ), ви можете зробити це, використовуючи numBatches=numItems/batchSize.