- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在 tensorflow 中构建一个神经网络,它处理 3D 数据并且应该预测输入数据中地标的位置。该策略是密集地(针对每个体素)预测实际地标周围半径 r 的球体中的类别,并预测指向地标实际位置的偏移向量。此攻略已proven有效地改进地标预测。
每对类别概率和偏移向量都是一个投票,我现在正试图在 tensorflow 中有效地聚合这些投票。
对于 (70,70,70) 的输入形状和 3 个不同的地标以及背景类,我从我的网络中得到两个输出:
我想生成 3 个形状为 (70,70,70) 的输出热图。现在,对于热图中的每个体素,我需要聚合指向体素的偏移向量的概率。
我试着只使用 python 并有 3 个 for 循环,这在我的 CPU 上需要 7 秒。这是可以接受的,但最终的输入形状将更像是 300x300x300,并且 3 个 for 循环的复杂度为 O(N^3),因此不可行。
所以我尝试使用 tensorflow 和 GPU 加速来预过滤所有不相关的数据。不相关的偏移向量例如是所有这些,它们在某个阈值下具有相应的类别概率,或者超出输入形状的范围。我用 tf.map_fn 像这样实现它:
def filter_votes(probs, dists, prob_threshold, num_landmarks, sample_shape: tf.Tensor):
f_sample_shape = tf.cast(sample_shape, tf.float32)
probs = probs[:,:,:,1:] # probability of background is irrelevant
indices = tf.where(tf.greater_equal(probs, prob_threshold)) # take only the indices of voxels, that have a category prediction over a certain threshold
def get_flatvect(idx):
f_idx = tf.cast(idx, tf.float32)
return tf.stack([
f_idx[3], # this is the landmark number (goes from 0 to 2)
probs[idx[0], idx[1], idx[2], idx[3]], # this is the predicted probability for the voxel to be the landmark
f_idx[0] + dists[idx[0], idx[1], idx[2], idx[3]], # this is the x offset+ the actual x-position of the voxel
f_idx[1] + dists[idx[0], idx[1], idx[2], idx[3]+3], # this is the y offset+ the actual y-position of the voxel
f_idx[2] + dists[idx[0], idx[1], idx[2], idx[3]+6] # this is the z offset+ the actual z-position of the voxel
])
res = tf.map_fn(get_flatvect, indices, dtype=tf.float32, parallel_iterations=6)
def get_mask(idx):
dist = idx[2:]
return tf.reduce_all(tf.logical_and(tf.greater_equal(dist, 0.), tf.less(dist, f_sample_shape)))
mask = tf.map_fn(get_mask, res, dtype=tf.bool, parallel_iterations=6) # get a mask that filters offsets that went out of bounds of the actual tensor shape
res = tf.boolean_mask(res, mask)
return res # I return a 2D-Tensor that contains along the 2nd axis [num_landmark, probability_value, x_pos, y_pos, z_pos]
然后我在普通 python 中聚合过滤结果,由于输入数据少得多(大多数体素的预测分类概率较低),速度要快得多。
问题是即使输入形状 (70,70,70),过滤操作也只需要将近一分钟,而且 GPU 利用率很低。尽管我有 6 次并行迭代,但它几乎比在 python 中聚合所有内容慢了 10 倍。我尝试研究 map_fn 并了解到 tf 可能无法将所有操作都放在 GPU 上。但即便如此,我认为它应该更快,因为:
看来我对正在发生的事情缺乏一些基本的了解。也许有人可以澄清为什么我的代码如此低效?
或者也许有人有更好的想法如何以矢量化方式汇总我的选票?
最佳答案
您可以像这样向量化您的函数:
import tensorflow as tf
def filter_votes_vec(probs, dists, prob_threshold, num_landmarks, sample_shape: tf.Tensor):
probs = probs[:, :, :, 1:]
indices = tf.where(probs >= prob_threshold)
landmark = tf.to_float(indices[:, 3])
p = tf.gather_nd(probs, indices)
indices_dists = tf.stack([
indices,
tf.concat([indices[..., :-1], indices[..., -1:] + 3], axis=-1),
tf.concat([indices[..., :-1], indices[..., -1:] + 6], axis=-1)
], axis=1)
d = tf.gather_nd(dists, indices_dists) + tf.to_float(indices[:, :3])
res = tf.concat([tf.expand_dims(landmark, 1), tf.expand_dims(p, 1), d], axis=1)
mask = tf.reduce_all((d >= 0) & (d < tf.cast(sample_shape, tf.float32)), axis=1)
res = tf.boolean_mask(res, mask)
return res
使用 IPython 进行快速测试和基准测试:
import tensorflow as tf
import numpy as np
with tf.Graph().as_default(), tf.Session() as sess:
np.random.seed(100)
probs = np.random.rand(70, 70, 70, 3 + 1).astype(np.float32)
probs /= probs.sum(-1, keepdims=True)
probs = tf.convert_to_tensor(probs, tf.float32)
dists = tf.convert_to_tensor(100 * np.random.rand(70, 70, 70, 3 * 3), tf.float32)
prob_threshold = tf.convert_to_tensor(0.5, tf.float32)
num_landmarks = tf.convert_to_tensor(3, tf.int32) # This is not actually used in the code
sample_shape = tf.convert_to_tensor([50, 60, 70], tf.int32)
result = filter_votes(probs, dists, prob_threshold, num_landmarks, sample_shape)
result_vec = filter_votes_vec(probs, dists, prob_threshold, num_landmarks, sample_shape)
value, value_vec = sess.run([result, result_vec])
print(np.allclose(value, value_vec))
# True
%timeit sess.run(result)
# CPU
# 2.55 s ± 21.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
# GPU
# 54 s ± 596 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit sess.run(result_vec)
# CPU
# 63.2 µs ± 781 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
# GPU
# 216 µs ± 2.29 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
据推测,GPU 的荒谬时间是由于 TensorFlow 不断地在 CPU 和 GPU 之间交换数据,这是一个相当昂贵的。
关于python - 优化 tf.map_fn 的 GPU 使用,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54808519/
在 Tensorflow(从 v1.2.1 开始)中,似乎有(至少)两个并行 API 来构建计算图。 tf.nn 中有函数,如 conv2d、avg_pool、relu、dropout,tf.laye
我正在处理眼睛轨迹数据和卷积神经网络。我被要求使用 tf.reduce_max(lastconv, axis=2)代替 MaxPooling 层和 tf.reduce_sum(lastconv,axi
TensorFlow 提供了 3 种不同的数据存储格式 tf.train.Feature .它们是: tf.train.BytesList tf.train.FloatList tf.train.In
我正在尝试为上下文强盗问题 (https://medium.com/emergent-future/simple-reinforcement-learning-with-tensorflow-part
我在使用 Tensorflow 时遇到问题: 以下代码为卷积 block 生成正确的图: def conv_layer(self, inputs, filter_size = 3, num_filte
我正在将我的训练循环迁移到 Tensorflow 2.0 API .在急切执行模式下,tf.GradientTape替换 tf.gradients .问题是,它们是否具有相同的功能?具体来说: 在函数
tensorflow 中 tf.control_dependencies(tf.get_collection(tf.GraphKeys.UPDATE_OPS)) 的目的是什么? 更多上下文:
我一直在努力学习 TensorFlow,我注意到不同的函数用于相同的目标。例如,为了平方变量,我看到了 tf.square()、tf.math.square() 和 tf.keras.backend.
我正在尝试使用自动编码器开发图像着色器。有 13000 张训练图像。如果我使用 tf.data,每个 epoch 大约需要 45 分钟,如果我使用 tf.utils.keras.Sequence 大约
我尝试按照 tensorflow 教程实现 MNIST CNN 神经网络,并找到这些实现 softmax 交叉熵的方法给出了不同的结果: (1) 不好的结果 softmax = tf.nn.softm
其实,我正在coursera上做deeplearning.ai的作业“Art Generation with Neural Style Transfer”。在函数 compute_layer_styl
训练神经网络学习“异或” 我正在尝试使用“批量归一化”,我创建了一个批量归一化层函数“batch_norm1”。 import tensorflow as tf import nump
我正在尝试协调来自 TF“图形和 session ”指南以及 TF“Keras”指南和 TF Estimators 指南的信息。现在在前者中它说 tf.Session 使计算图能够访问物理硬件以执行图
我正在关注此处的多层感知器示例:https://github.com/aymericdamien/TensorFlow-Examples我对函数 tf.nn.softmax_cross_entropy
回到 TensorFlow = 2.0 中消失了。因此,像这样的解决方案...... with tf.variable_scope("foo"): with tf.variable_scope
我按照官方网站中的步骤安装了tensorflow。但是,在该网站中,作为安装的最后一步,他们给出了一行代码来“验证安装”。但他们没有告诉这段代码会给出什么输出。 该行是: python -c "imp
代码: x = tf.constant([1.,2.,3.], shape = (3,2,4)) y = tf.constant([1.,2.,3.], shape = (3,21,4)) tf.ma
我正在尝试从 Github 训练一个 3D 分割网络.我的模型是用 Keras (Python) 实现的,这是一个典型的 U-Net 模型。模型,总结如下, Model: "functional_3"
我正在使用 TensorFlow 2。我正在尝试优化一个函数,该函数使用经过训练的 tensorflow 模型(毒药)的损失。 @tf.function def totalloss(x): x
试图了解 keras 优化器中的 SGD 优化代码 (source code)。在 get_updates 模块中,我们有: # momentum shapes = [K.int_shape(p) f
我是一名优秀的程序员,十分优秀!