Próbuję napisać czystą implementację Java/Scala klasy Tensorflow RecordWriter w celu przekonwertowania Spark DataFrame na plik TFRecords. Zgodnie z dokumentacją, w TFRecords każdy rekord jest sformatowany następująco:Czysty kod Java/Scala do zapisu pliku danych Tensorflow TFRecords
uint64 length
uint32 masked_crc32_of_length
byte data[length]
uint32 masked_crc32_of_data
A CRC maskować
masked_crc = ((crc >> 15) | (crc << 17)) + 0xa282ead8ul
Obecnie mam obliczyć CRC przy realizacji guawy z następującego kodu:
import com.google.common.hash.Hashing
object CRC32 {
val kMaskDelta = 0xa282ead8
def hash(in: Array[Byte]): Int = {
val hashing = Hashing.crc32c()
hashing.hashBytes(in).asInt()
}
def mask(crc: Int): Int ={
((crc >> 15) | (crc << 17)) + kMaskDelta
}
}
Reszta mojego kodu to:
Część kodowania danych to nie e z poniższego fragmentu kodu:
object LittleEndianEncoding {
def encodeLong(in: Long): Array[Byte] = {
val baos = new ByteArrayOutputStream()
val out = new LittleEndianDataOutputStream(baos)
out.writeLong(in)
baos.toByteArray
}
def encodeInt(in: Int): Array[Byte] = {
val baos = new ByteArrayOutputStream()
val out = new LittleEndianDataOutputStream(baos)
out.writeInt(in)
baos.toByteArray
}
}
Rekord są generowane buforem Protokół:
import com.google.protobuf.ByteString
import org.tensorflow.example._
import collection.JavaConversions._
import collection.mutable._
object TFRecord {
def int64Feature(in: Long): Feature = {
val valueBuilder = Int64List.newBuilder()
valueBuilder.addValue(in)
Feature.newBuilder()
.setInt64List(valueBuilder.build())
.build()
}
def floatFeature(in: Float): Feature = {
val valueBuilder = FloatList.newBuilder()
valueBuilder.addValue(in)
Feature.newBuilder()
.setFloatList(valueBuilder.build())
.build()
}
def floatVectorFeature(in: Array[Float]): Feature = {
val valueBuilder = FloatList.newBuilder()
in.foreach(valueBuilder.addValue)
Feature.newBuilder()
.setFloatList(valueBuilder.build())
.build()
}
def bytesFeature(in: Array[Byte]): Feature = {
val valueBuilder = BytesList.newBuilder()
valueBuilder.addValue(ByteString.copyFrom(in))
Feature.newBuilder()
.setBytesList(valueBuilder.build())
.build()
}
def makeFeatures(features: HashMap[String, Feature]): Features = {
Features.newBuilder().putAllFeature(features).build()
}
def makeExample(features: Features): Example = {
Example.newBuilder().setFeatures(features).build()
}
}
A oto przykład jak używać rzeczy razem w celu generowania mój plik TFRecords:
val label = TFRecord.int64Feature(1)
val feature = TFRecord.floatVectorFeature(Array[Float](1, 2, 3, 4))
val features = TFRecord.makeFeatures(HashMap[String, Feature] ("feature"->feature, "label"-> label))
val ex = TFRecord.makeExample(features)
val exSerialized = ex.toByteArray()
val length = LittleEndianEncoding.encodeLong(exSerialized.length)
val crcLength = LittleEndianEncoding.encodeInt(CRC32.mask(CRC32.hash(length)))
val crcEx = LittleEndianEncoding.encodeInt(CRC32.mask(CRC32.hash(exSerialized)))
val out = new FileOutputStream(new File("test.tfrecords"))
out.write(length)
out.write(crcLength)
out.write(exSerialized)
out.write(crcEx)
out.close()
Kiedy próbuję odczytać pliku dostałem wewnątrz Tensorflow z TFRecordReader, pojawia się następujący błąd:
W tensorflow/core/common_runtime/executor.cc:1076] 0x24cc430 Compute status: Data loss: corrupted record at 0
Podejrzewam, że obliczanie CRC maska nie jest prawidłowa lub endianowości między Java i C++ wygenerowany plik nie są takie same.
Gdzie jest wyświetlany komunikat o błędzie? –
Po przeczytaniu pliku w tensorflow otrzymuję komunikat o błędzie danych. – jrabary
Funkcja maski jest nieprawidłowa w porównaniu do wyniku uzyskanego za pomocą 'masked_crc = ((crc >> 15) | (crc << 17)) + 0xa282ead8ul' – jrabary