通流shuffle_batch速度

Question

我注意到，如果我将训练数据加载到内存中，并将其作为numpy数组提供给图形，与使用相同大小的洗牌批次相比，我的数据有大约1000个实例，那么速度会有很大的差异。

使用内存1000次迭代所需的时间不到几秒钟，但使用一次洗牌批处理几乎需要10分钟。我得到的洗牌批应该是有点慢，但这似乎太慢了。为什么会这样呢？

增加了赏金。关于如何使洗牌的迷你批次更快一些，有什么建议吗？

以下是培训数据：training.csv (巴斯泰宾)

这是我的代码：

shuffle_batch

import numpy as np
import tensorflow as tf

data = np.loadtxt('bounty_training.csv',
    delimiter=',',skiprows=1,usecols = (0,1,2,3,4,5,6,7,8,9,10,11,12,13,14))

filename = "test.tfrecords"

with tf.python_io.TFRecordWriter(filename) as writer:
    for row in data:
        features, label = row[:-1], row[-1]
        example = tf.train.Example()
        example.features.feature['features'].float_list.value.extend(features)
        example.features.feature['label'].float_list.value.append(label)
        writer.write(example.SerializeToString())

def read_and_decode_single_example(filename):
    filename_queue = tf.train.string_input_producer([filename],
                                                   num_epochs=None)
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)

    features = tf.parse_single_example(
        serialized_example,
        features={
            'label': tf.FixedLenFeature([], np.float32),
            'features': tf.FixedLenFeature([14], np.float32)})

    pdiff = features['label']
    avgs = features['features']

    return avgs, pdiff

avgs, pdiff = read_and_decode_single_example(filename)


n_features = 14
batch_size = 1000
hidden_units = 7
lr = .001

avgs_batch, pdiff_batch = tf.train.shuffle_batch(
    [avgs, pdiff], batch_size=batch_size,
    capacity=5000,
    min_after_dequeue=2000)

X = tf.placeholder(tf.float32,[None,n_features])
Y = tf.placeholder(tf.float32,[None,1])

W = tf.Variable(tf.truncated_normal([n_features,hidden_units]))
b = tf.Variable(tf.zeros([hidden_units]))

Wout = tf.Variable(tf.truncated_normal([hidden_units,1]))
bout = tf.Variable(tf.zeros([1]))

hidden1 = tf.matmul(X,W) + b
pred = tf.matmul(hidden1,Wout) + bout

loss = tf.reduce_mean(tf.squared_difference(pred,Y))

optimizer = tf.train.AdamOptimizer(lr).minimize(loss)

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(sess=sess, coord=coord)

    for step in range(1000):
        x_, y_ = sess.run([avgs_batch,pdiff_batch])

        _, loss_val = sess.run([optimizer,loss],
              feed_dict={X: x_, Y: y_.reshape(batch_size,1)} )

        if step % 100 == 0:
            print(loss_val)


    coord.request_stop()
    coord.join(threads)

整批通过numpy数组

"""
avgs and pdiff loaded into numpy arrays first...
Same model as above
"""
   with tf.Session() as sess:
        init = tf.global_variables_initializer()
        sess.run(init)

        for step in range(1000):
            _, loss_value = sess.run([optimizer,loss],
                    feed_dict={X: avgs,Y: pdiff.reshape(n_instances,1)} )

Answer 1

诀窍是，不要将单个示例输入shuffle_batch，而是使用enqueue_many=True向其提供一个n+1维张量的示例。我发现这条线索非常有用：

TFRecordReader看起来非常慢，多线程读取不起作用。

def get_batch(batch_size):
    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)

    batch_list = []
    for i in range(batch_size):
        batch_list.append(serialized_example)

    return [batch_list]

batch_serialized_example = tf.train.shuffle_batch(
 get_batch(batch_size), batch_size=batch_size,
    capacity=100*batch_size,
    min_after_dequeue=batch_size*10,
    num_threads=1, 
    enqueue_many=True)

features = tf.parse_example(
    batch_serialized_example,
    features={
        'label': tf.FixedLenFeature([], np.float32),
        'features': tf.FixedLenFeature([14], np.float32)})

batch_pdiff = features['label']
batch_avgs = features['features']

...

Answer 2

在本例中，您每步运行一次会话3次--一次在avgs_batch.eval中，一次用于pdiff_batch.eval，一次用于实际的sess.run调用。这并不能解释减速的严重程度，但你一定要记住这一点。至少，前两个eval调用应该合并为一个sess.run调用。

我怀疑大部分的慢速都来自于TFRecordReader的使用。我并不假装理解tensorflow的内部运作，但您可能会发现我的答案这里很有帮助。

摘要

• 创建与每个示例相关联的最小数据，即图像文件名、ids，而不是整个图像；
• 用tensorflow.python.framework.ops.convert_to_tensor转换为tensorflow ops；
• 使用tf.train.slice_input_producer获得单个例子的张量；
• 对单个示例做一些预处理--例如从文件名加载图像；
• 使用tf.train.batch对它们进行批处理，以将它们分组。

Answer 3

当使用队列获取数据时，不应该使用feed_dict。相反，让图形直接依赖于输入数据，即：

• 删除X和Y PlaceHolders
• 直接使用您的特性批处理 hidden1 = tf.matmul(avgs_batch，W) +b
• 同样，在计算损失时，使用标签批处理(pdiff_batch)而不是Y。
• 最后，保留第二个session.run直接计算损失，不使用feed_dictx_，y_ = sess.run(avgs_batch，pdiff_batch) # _，loss_val =sess.run(优化器，损耗，feed_dict={X: x_，Y: y_.reshape(batch_size,1)} ) _，loss_val =sess.run(优化器，损失)