the的大小如何影响Tensorflow模型的训练速度？

Question

我已经多次使用tensorflow模型运行了完全相同的python脚本。只有一个区别。一半的脚本使用大小为500000的双队列，另一半使用大小为1000000的双队列作为经验存储。从存储中选择一批512个随机挑选的样本进行训练。

这些网络仍在训练中，但到目前为止，那些具有500k的网络的速度大约快了10%。看起来距离越来越远了。当然，从更大的内存中随机选择512可能需要更长的时间。但是在整个培训过程中有10%的增长呢？

代码如下所示

...
self.memory = deque(maxlen=1000000)
...
def experience_replay(self):
        if len(self.memory) < 512:
            return
        batch = random.sample(self.memory, 512)
        state_batch = np.zeros((512, 6, 7, 2))
        q_values_batch = np.zeros((512, 7))
        idx = 0
        for state, action, reward, state_next, terminal in batch:
            q_update = reward
            if not terminal:
                state_next = np.expand_dims(state_next, axis=0)
                q_update = (reward + 0.95 * np.amax(self.model.predict(state_next)[0]))
            state = np.expand_dims(state, axis=0)
            q_values = self.model.predict(state)
            q_values[0][action] = q_update
            state_batch[idx, ...] = state
            q_values_batch[idx, ...] = q_values
            idx = idx + 1

        self.model.fit(state_batch, q_values_batch, verbose=0)
        self.exploration_rate *= 0.9998
        self.exploration_rate = max(0.01, self.exploration_rate)

造成这种加速的原因是什么？

Answer 1

deque()和random.sample()不能有效地协同工作。对于端点附近的访问，双队列速度很快，但对于中间的索引查找，则为O(n)。这是有问题的，因为random.sample()对双队列进行重复的索引查找。问题中显示的代码片段最好有一个列表。

您原始问题的准确答案是从n长度的双端队列中提取k个样本所需的时间与k * n / 4成正比。在算法上，将大小加倍通常会使运行时间的期望值加倍。