我有一堆JSON数组文件(AVRO是准确的),每个文件都会产生多个样本来训练Keras模型。使用来自@GPhilo和@jsimsa的想法,我能够想出这个来并行化我的输入管道。无法弄清楚如何设计generator(n)
来划分处理文件的工作。代码在parse_file(f)
中失败,因为函数需要字符串文件路径而不是Tensor
,
N = num_cores = 2
files_to_process = ["f1.avro", "f2.avro", "f3.avro"]
shuffle_size = prefetch_buffer = 1000
batch_size = 512
def generator(n):
size = math.ceil(len(files_to_process) / N)
start_index = n * size
end_index = start_index + size
def gen():
# for f in files_to_process[start_index:end_index]:
for f in tf.slice(files_to_process, start_index, size):
yield f
return gen
def dataset(n):
return tf.data.Dataset.from_generator(generator(n), (tf.string,))
def process_file(f):
examples_x, examples_y = parse_file(f)
return examples_x, examples_y
ds = tf.data.Dataset.range(N)
ds = ds.apply(tf.contrib.data.parallel_interleave(dataset, cycle_length=N))
ds = ds.map(process_file, num_parallel_calls=N)
ds = ds.prefetch(prefetch_buffer)
ds = ds.flat_map(lambda *x: tf.data.Dataset.from_tensor_slices(x))
ds = ds.batch(batch_size).shuffle(shuffle_size)
...
myTfKerasModel.fit( ds.make_one_iterator(), NUM_TRAIN_SAMPLES // batch_size )
generator(n)
的正确方法是什么?parallel_interleave
和flat_map
设计输入管道的优化方法在我看来,你使用发电机不必要地使你的生活变得复杂。这就是我实现输入管道的方法:
def parse_file_tf(filename):
return tf.py_func(parse_file, [filename], [tf.float32, tf.float32])
# version with map
files = tf.data.Dataset.from_tensor_slices(files_to_process)
dataset = files.map(parse_file_tf, num_parallel_calls=N)
dataset = dataset.flat_map(lambda *x: tf.data.Dataset.from_tensor_slices(x))
dataset = dataset.batch(batch_size).shuffle(shuffle_size).prefetch(2)
it = dataset.make_one_shot_iterator()
为了测试它,我将虚拟parse_file
定义为:
i=0
def parse_file(f):
global i
i += 1
return np.asarray([i]*i, dtype=np.float32), np.asarray([i]*i, dtype=np.float32) # mimicks variable-length examples_x, examples_y
我提供了一个基本循环,显示迭代器返回的内容:
sess = tf.Session()
try:
while True:
x, y = it.get_next()
vx, vy = sess.run([x,y])
print(vx)
print(vy)
except tf.errors.OutOfRangeError:
pass
sess.close()
运行上面的代码打印:
[2. 3. 2. 1. 3. 3.]
[2. 3. 2. 1. 3. 3.]
本质上,我将并行化问题留给map
,在那里我可以传递它应该运行的线程数。无需生成器迭代范围和那些额外的复杂性。
我在parallel_interleave
上选择了map,因为后者要求你为它返回的每个项生成一个Dataset
实例,在你的情况下它实际上没有意义,因为你在运行parse_file
时已经在内存中加载了所有值。如果你慢慢生成值,parallel_interleave
是有意义的(例如,通过将tf.data.TFRecordDataset
应用于文件名列表),但如果你的数据集适合内存,那就去找map
。
关于tf.py_func
的限制,它们不会影响您训练有素的网络,只影响输入管道。理想情况下,您将有一个不同的管道用于您的培训和最终使用网络。您只需要在后者中处理限制,而对于培训(除非您通过分布式培训和/或跨机器移动培训做一些非常具体的事情),您就相当安全。
如果您的JSON文件非常大并且其内容不适合内存,则可以使用生成器,但与您开始使用的方法略有不同。这个想法是,生成器一次通过JSON文件和yield
s一条记录。然后,发电机必须是你的parse_file
功能。举个例子,我们假设您有以下parse_file
生成器:
i = 3
def parse_file(filename):
global i
i += 1
ctr = 0
while ctr < i:
yield ctr, ctr
在这种情况下,管道将如下所示:
def wrap_generator(filename):
return tf.data.Dataset.from_generator(parse_file(filename), [tf.int32, tf.int32])
files = tf.data.Dataset.from_tensor_slices(files_to_process)
dataset = files.apply(tf.contrib.data.parallel_interleave(wrap_generator, cycle_length=N))
dataset = dataset.flat_map(lambda *x: tf.data.Dataset.from_tensor_slices(x))
dataset = dataset.shuffle(shuffle_size).batch(batch_size).prefetch(2)
it = dataset.make_one_shot_iterator()
请注意,这里我们需要使用parallel_interleave
,因为我们将生成器转换为Dataset
实例,我们从中提取值。其余的保持不变。
将此信息提供给与上述相同的样本循环打印:
[6. 5. 4. 4. 6. 5. 6. 6. 5. 4. 6. 4. 5. 5. 6.]
[6. 5. 4. 4. 6. 5. 6. 6. 5. 4. 6. 4. 5. 5. 6.]