TensorFlow中結構化資料工具Protocol Buffer

Protocol Buffer是Google開發的處理結構化資料的工具.

什麼是結構化資料？

假設要記錄一些使用者資訊，每個使用者的資訊中都包括使用者的名字，ID和email地址，那麼每個使用者的資訊可以表示成一下的形式：

name：張三id：12345email：zhangsan@abc.com

這就是一個結構化的資料。是指擁有多種屬性的資料，比如上述擁有三個不同的屬性。

當要將這些結構化的使用者資訊持久化或者進行網路傳輸時，就需要先將它們序列化；所謂序列化就是將結構化的資料變成資料流的形式，簡單來說就是變成字串。如何將結構化的資料序列化，並從結構化之後的資料流中還原出原來的結構化資料，統稱為處理結構化資料，這就是Protocol Buffer解決的主要問題。

Protocol Buffer格式的資料與XML和json格式的資料有著比較大的差別。首先，Protocol Buffer序列化之後得到的資料不是可讀的字串，而是二進位制流；其次，XML或者json格式資料資訊都包含在了序列化之後的資料中，不需要任何其他資訊就能還原資料；但使用Protocol Buffer時需要先定義資料的格式（schema），還原一個序列化之後的資料將需要使用這個定義好的資料格式。

以下是資料格式定義檔案：

message user {
optional string name = 1；
required int32 id = 2；
repeated string email = 3；
}

因為這樣的差別，Protocol Buffer序列化出來的資料要比XML格式的資料小3到10倍，解析時間要快20到100倍。

Protocol Buffer定義資料格式的檔案一般儲存在.proto中。每一個message代表了一類結構化資料，比如這裡的使用者資訊，message裡面定義了每一個屬性的型別和名字，屬性的型別可以布林型，整數型，實數型，字元型這樣的基本型別。也可以是另一個message，Protocol Buffer也定義了一個屬性是必須的（required），還是可選的（optional），或者是可重複的（repeated），在最新的Protocol Buffer3中已經不再支援required型別。

Protocol Buffer是TensorFlow系統中使用到的重要工具，TensorFlow中的資料基本上都是透過Protocol Buffer來組織的，分散式TensorFlow的通訊協議gRPC也是以這個作為基礎的。

作者：富城
連結：