当前位置:首页 » Python技术

PYTHON上数据储存:推荐h5py

2014-05-18 20:10 本站整理 浏览(7986)

PYTHON上数据储存:推荐h5py,有需要的朋友可以参考下。



最近在做一个CNN的项目,文件夹里有20w张图片要读入并保存到一个data文件(不然每次都读20w文件太麻烦)。



折腾了一个下午,发现了一个极好用的包 h5py:将数据储存在hdf5文件中。



这东西有多好用呢?



速度,内存占用,压缩程度都比cPickle+gzip来的优秀。



相比之下上面两个变逗比了……



我把所有图片都放在一个ndarray并保存为一个文件:



8190张图片的.mat 16GB, 81900图片的.pkl.gz……根本就生成不了, 81900张图片的.h5 15GB.



不仅可以保存大数据,而且压缩率是mat的十倍!



可见为什么我这么兴奋来一发……






说说h5py其他方式的缺点:


1、numpy.save , numpy.savez , scipy.io.savemat



  numpy和scipy提供的数据存储方法。官方说savez是save的压缩版,尽管在实践中,什么都没能压缩到。



  而且这三个方法产生的文件大小都是一样的…………非常大。



  8000张256*256*3的图片出来就是一个16G的文件,简直忍无可忍。而且调用方法很麻烦。



2、cPickle + gzip



  这里忽略pickle这家伙,直接被cPiclke虐了。



  .pkl.gz 是mnist的官方后缀。看来是会很好用的样子。



  但是实际使用中,有两个难以避免的问题:





    • 速度慢,内存占用高(就是性能不好)
    • 大矩阵储存无能



  前者我就不说了。关于后者,这是python官bug,如果你在cPickle.dump()的时候碰上“SystemError:errorreturnwithoutexceptionset”,那么恭喜你,中奖了。



  python官方对于这个问题的解释:http://bugs.python.org/issue11564



  咦?修好了?毛线! 3修好了,2.7照样bug,所以如果你的linux或者ubuntu内嵌的是python2.7,哭死吧。



  尽管cPickle+gzip性能已经很优秀,但是和h5py性能的对比,看这篇:



  http://www.shocksolution.com/2010/01/storing-large-numpy-arrays-on-disk-python-pickle-vs-hdf5adsf/



3、h5py



  抱歉找不到缺点,唯一的缺点就是很难安装。所以一下是h5py安装教程。






h5py安装:


官方教程:http://docs.h5py.org/en/latest/build.html#install





这里教教你,官方教程都是坑爹的:没有源叫你apt-get,给你bin让你make。所以这里, 我走过能行的路:





1、确定系统有python,numpy,libhdf5-dev,和HDF5.前三者一般都有。这里要安装HDF5



2、去HDF5官方网站下载编译好的bin(是的,尽管教程让编译,这里给用户的就是编译好的bin,搞得我这小白编译了半天);



  http://www.hdfgroup.org/HDF5/



3、解压,重命名文件夹为hdf5,移动到 /usr/local/hdf5 下



4、添加环境变量:



  export HDF5_DIR=/usr/local/hdf5



  到这里HDF5就安装好了,只有安装好的HDF5才能顺利安装h5py



5、pip install h5py




简易例程:


写入:import h5pyimport numpy as np



data = mp.array( [222,333,444] )
label = np.array( [0,1,0] )
img_num = np.array( [0,1,2] )
# 创建HDF5文件
file = h5py.File('TrainSet_rotate.h5','w')
# 写入 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()



读取:



import numpy as np
import h5py
# 读方式打开文件
file=h5py.File('TrainSet_rotate.h5','r')
# 尽管后面有 '[:]', 但是矩阵怎么进去的就是怎么出来的,不会被拉长(matlab后遗症)
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,你已经会使用h5py了,快尝试下h5py给你带来的快感吧!





附送小技巧:如何在同一行输出



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")



前面的方法会好用点