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

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样本来训练 Keras 模型。使用来自 @GPhilo 的想法来自@jsimsa ，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 )

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

Answer 1

在我看来，生成器让您的生活变得不必要地复杂化。这就是我实现输入管道的方式:

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，我将一个虚拟的 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

我将其输入到显示迭代器返回内容的基本循环中:

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.]

流水​​线的解释

基本上，我将并行化问题留给 map，我可以在其中传递它应该运行的线程数。不需要生成器遍历范围和那些额外的复杂性。

我选择 map 而不是 parallel_interleave 因为后者要求您为它返回的每个项目生成一个 Dataset 实例，这在您的情况下并没有真正意义，因为您当您运行 parse_file 时，已经将所有值加载到内存中。如果您缓慢生成值(例如，通过将 tf.data.TFRecordDataset 应用于文件名列表)，parallel_interleave 是有意义的，但是如果您的数据集适合内存，请使用 map 。

关于 tf.py_func 限制，它们不会影响您训练的网络，只会影响输入管道。理想情况下，您将有不同的管道用于训练和网络的最终使用。您只需要注意后者期间的限制，而对于培训(除非您通过分布式培训做一些非常具体的事情和/或跨机器移动培训)，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适合内存，您可以使用生成器，但与您开始使用的方法略有不同。这个想法是，生成器遍历 JSON 文件并yield一次一条记录。然后，生成器必须是您的 parse_file 函数。例如，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我们从中提取值的 Dataset 实例。其余保持不变。

将其送入与上述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.]