theano - 使用 Theano/Lasagne 在 ImageNet 等大规模数据集上进行训练的最佳实践？

Question

我发现 Theano/Lasagne 的所有示例都处理像 mnist 和 cifar10 这样的小数据集，它们可以完全加载到内存中。

我的问题是如何编写高效的代码来训练大规模数据集？具体来说，为了让 GPU 保持忙碌，准备小批量(包括实时数据增强)的最佳方法是什么？

也许喜欢使用 CAFFE 的 ImageDataLayer？例如，我有一个很大的 txt 文件，其中包含所有图像路径和标签。显示一些代码将不胜感激。

非常感谢!

Answer 1

如果数据不适合内存，一个好方法是准备小批量并将它们存储到 HDF5 文件中，然后在训练时使用。

但是，这在进行数据扩充时就足够了，因为这是在运行中完成的。由于 Python 的全局解释器锁，图像无法在 GPU 繁忙时加载和预处理。据我所知，最好的解决方法是 Fuel 库。Fuel 在不同的 Python 进程中加载​​和预处理小批量，然后通过 TCP 套接字将它们流式传输到训练进程: http://fuel.readthedocs.org/en/latest/server.html#data-processing-server

它还提供了一些函数来预处理数据，例如缩放和均值减法: http://fuel.readthedocs.org/en/latest/overview.html#transformers-apply-some-transformation-on-the-fly

希望这对您有所帮助。迈克尔