使用tf.from_generator并行化tf.contrib.data.parallel_interleave

Question

我有一堆JSON数组文件(准确地说是AVRO)，每个文件都会产生多个训练Keras模型的样本。利用@GPhilo和@jsimsa的思想，我能够将输入管道并行化。无法解决如何设计generator(n)来划分处理文件的工作。代码在parse_file(f)内部失败，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 )

• 这里设计generator(n)的正确方法是什么？
• 这是使用parallel_interleave和flat_map设计输入管道的优化方法吗？

Answer 1

在我看来，你把你的生活和发电机搞得太复杂了。这就是我如何实现您的输入管道：

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

我将其输入一个基本循环，该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.]

对管道的解释

本质上，我把并行化问题留给了map，在那里我可以传递它应该运行的线程数。不需要发电机迭代范围和那些额外的复杂。

我选择map而不是parallel_interleave，因为后者要求您为它返回的每一项生成一个Dataset实例，在您的示例中，这是没有意义的，因为在运行parse_file时，您已经在内存中加载了所有值。如果您缓慢地生成值(例如，通过将parallel_interleave应用于文件名列表)，那么parallel_interleave是有意义的，但是如果您的数据集适合于内存，则选择map。

关于tf.py_func的限制，它们不会影响您受过训练的网络，只会影响输入管道。理想情况下，您将有一个不同的管道为您的培训和您的最后使用的网络。您只需要在后面的过程中处理这些限制，而对于培训(除非您对分布式培训和/或跨机器移动培训做了非常具体的事情)，您是相当安全的。

带生成器的版本

如果您的JSON文件非常大，并且它们的内容不能存储在内存中，则可以使用生成器，但与您开始使用的方法略有不同。其思想是，生成器一次遍历JSON文件和yield的一个记录。然后，生成器必须是您的parse_file函数。作为一个例子，让我们假设您有以下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()

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，从中提取值。其余的都保持不变。

将此输入到与上面的打印相同的示例循环：

[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.]