在训练计算机视觉机器学习模型时，数据加载常常会成为功用瓶颈，招致在等候将数据加载到模型中时 GPU 或 TPU 资源的应用率不足。以 TFRecord 格式存储数据集是一个行之有效的办法，但是，创立 TFRecord 通常需求少量的复杂代码。
于是，谷歌近期开源了 TensorFlow Recorder（即 TFRecorder）项目，旨在简化 TFRecord 的创立流程。TFRecord是一种二进制文件格式，处置数据相对高效，但要将其他数据转为 TFRecord 较为费事，通常需求编写一个数据管道来解析结构化数据，从存储中加载图像，然后再将结果序列化为 TFRecord 格式。而此次开源的 TFRecorder 可以直接从 Pandas dataframe 或 CSV 等格式写入 TFRecords，无需再编写复杂的代码。
运用 TFRecorder 创立 TFRecord 只需求几行代码，运转方式如下：
import pandas as pd
import tfrecorder
df = pd.read_csv(...)
df.tensorflow.to_tfrecord(output_dir="gs://my/bucket")
TFRecorder 希冀写入的数据与 Google AutoML Vision 的格式相反，也就是相似 pandas dataframe 或 CSV 的格式，例如：
split image_uri label目前，TFRecorder 支持的数据格式还很有限，未来会进一步扩展，以支持运用任何格式的数据。
关于更庞大的数据集，TFRecorder 还提供了与 Google Cloud Dataflow 的衔接性，扩展到 DataFlow 仅需求多几行代码配置。
关于 TFRecorder 的更多信息，可查看谷歌开源博客的引见：https://opensource.谷歌blog.com/2020/08/introducing-tensorflow-recorder.html
【编辑引荐】
AI创业公司优秀开发工具指南火了，还发现了个Jupyter的「杀手」
20年招聘阅历：我所看重的开发人员的质量
技术Leader远离代码，就是自废武功？
微软部分Edge插件疑是李鬼 大神剖析称其有恶意代码
数据集轻松按需搜索，这个工具有近2000个图像数据集，可收费获取
(责任编辑：admin)