Question

我是大型数据集的新手，无法将我正在阅读的解释和教程外推到我的问题中。

我想将37019张图像（每张450x600x3）保存到一个numpy数组中并将其压缩成一个文件进行训练。是否更好地实例化37019x450x600x3零点并稍后修改它们或逐个追加450x600x3阵列？

现在我正在使用h5py但它会导致Killed：9

import numpy as np
import h5py

imgarray = np.zeros((37019,450, 600, 3))

with h5py.File('deleteme.h5', 'a') as FOB:
    FOB.create_dataset("imgarray",data=imgarray,compression="gzip",compression_opts=9)

大约需要5分钟，然后：

Killed: 9

当图像数量较小时（例如3700而不是37019），这会起作用.3700会产生30MB的.h5文件。

这是否意味着我的数组对于h5dy中的一个数据集来说太大了？我是否需要将其保存在较小的块，单独的数据集或其他内容中？你推荐什么方法以便以后轻松访问和修改？

感谢您的帮助！

Answer 1

在您的其他问题中，您发现zip档案可能存在大小限制;它也可能适用于gzip压缩。或者它可能只是花了太长时间。

h5py文档表明，dataset在保存到h5py文件时会动态压缩（并在运行中解压缩）。我也看到一些提及它与chunking的交互。您可能需要浏览h5py github存储库或相关的邮件列表。

您是否尝试过其他压缩方法或参数？

如何将数据保存在多个数据集中，每个数据集的大小都可以轻松压缩？

Answer 2

可能有更好的方法可以做到这一点，但我最终只是将我的数据集分成几个大小为1000x450x600x3的numpy数组，并且gzip正常工作。花了25分钟，但它都保存为400MB大小的.h5文件。谢谢！

使用h5py将大型4D numpy阵列压缩到HDF5：9

2 个答案: