如何在Tensorflow中使用自定义python函数预取数据
python
tensorflow
5
0

我正在尝试预取训练数据以隐藏I / O延迟。我想编写自定义的Python代码,该代码从磁盘加载数据并对数据进行预处理(例如,通过添加上下文窗口)。换句话说,一个线程进行数据预处理,而另一个线程进行训练。 TensorFlow有可能吗?

更新:我有一个基于@mrry的示例的工作示例。

import numpy as np
import tensorflow as tf
import threading

BATCH_SIZE = 5
TRAINING_ITERS = 4100

feature_input = tf.placeholder(tf.float32, shape=[128])
label_input = tf.placeholder(tf.float32, shape=[128])

q = tf.FIFOQueue(200, [tf.float32, tf.float32], shapes=[[128], [128]])
enqueue_op = q.enqueue([label_input, feature_input])

label_batch, feature_batch = q.dequeue_many(BATCH_SIZE)
c = tf.reshape(feature_batch, [BATCH_SIZE, 128]) + tf.reshape(label_batch, [BATCH_SIZE, 128])

sess = tf.Session()

def load_and_enqueue(sess, enqueue_op, coord):
  with open('dummy_data/features.bin') as feature_file, open('dummy_data/labels.bin') as label_file:
    while not coord.should_stop():
      feature_array = np.fromfile(feature_file, np.float32, 128)
      if feature_array.shape[0] == 0:
        print('reach end of file, reset using seek(0,0)')
        feature_file.seek(0,0)
        label_file.seek(0,0)
        continue
      label_value = np.fromfile(label_file, np.float32, 128)

      sess.run(enqueue_op, feed_dict={feature_input: feature_array,
                                      label_input: label_value})

coord = tf.train.Coordinator()
t = threading.Thread(target=load_and_enqueue, args=(sess,enqueue_op, coord))
t.start()

for i in range(TRAINING_ITERS):
  sum = sess.run(c)
  print('train_iter='+str(i))
  print(sum)

coord.request_stop()
coord.join([t])
参考资料:
Stack Overflow
收藏
评论
共 2 个回答
高赞 时间 活跃

换句话说,一个线程进行数据预处理,而另一个线程进行训练。 TensorFlow有可能吗?

是的。 mrry的解决方案有效,但是更简单。

正在撷取资料

tf.py_func包装了一个python函数并将其用作TensorFlow运算符。因此,我们可以每次将数据加载到sess.run() 。这种方法的问题是在sess.run()期间通过主线程加载了数据。

一个最小的例子:

def get_numpy_tensor():
  return np.array([[1,2],[3,4]], dtype=np.float32)
tensorflow_tensor = tf.py_func(get_numpy_tensor, [], tf.float32)

一个更复杂的示例:

def get_numpy_tensors():
  # Load data from the disk into numpy arrays.
  input = np.array([[1,2],[3,4]], dtype=np.float32)
  target = np.int32(1)
  return input, target
tensorflow_input, tensorflow_target = tf.py_func(get_numpy_tensors, [], [tf.float32, tf.int32])

tensorflow_input, tensorflow_target = 2*tensorflow_input, 2*tensorflow_target

sess = tf.InteractiveSession()
numpy_input, numpy_target = sess.run([tensorflow_input, tensorflow_target])
assert np.all(numpy_input==np.array([[2,4],[6,8]])) and numpy_target==2

在另一个线程中预取数据

为了将数据排队在另一个线程中(这样sess.run()不必等待数据),我们可以在tf.train.batch()的运算符上使用tf.py_func()

一个最小的例子:

tensor_shape = get_numpy_tensor().shape
tensorflow_tensors = tf.train.batch([tensorflow_tensor], batch_size=32, shapes=[tensor_shape])
# Run `tf.train.start_queue_runners()` once session is created.

如果tensorflow_tensor指定了形状,我们可以省略参数shapes

tensor_shape = get_numpy_tensor().shape
tensorflow_tensor.set_shape(tensor_shape)
tensorflow_tensors = tf.train.batch([tensorflow_tensor], batch_size=32)
# Run `tf.train.start_queue_runners()` once session is created.

一个更复杂的示例:

input_shape, target_shape = (2, 2), ()
def get_numpy_tensors():
  input = np.random.rand(*input_shape).astype(np.float32)
  target = np.random.randint(10, dtype=np.int32)
  print('f', end='')
  return input, target
tensorflow_input, tensorflow_target = tf.py_func(get_numpy_tensors, [], [tf.float32, tf.int32])
batch_size = 2
tensorflow_inputs, tensorflow_targets = tf.train.batch([tensorflow_input, tensorflow_target], batch_size, shapes=[input_shape, target_shape], capacity=2)
# Internal queue will contain at most `capasity=2` times `batch_size=2` elements `[tensorflow_input, tensorflow_target]`.

tensorflow_inputs, tensorflow_targets = 2*tensorflow_inputs, 2*tensorflow_targets

sess = tf.InteractiveSession()
tf.train.start_queue_runners() # Internally, `tf.train.batch` uses a QueueRunner, so we need to ask tf to start it.
for _ in range(10):
  numpy_inputs, numpy_targets = sess.run([tensorflow_inputs, tensorflow_targets])
  assert numpy_inputs.shape==(batch_size, *input_shape) and numpy_targets.shape==(batch_size, *target_shape)
  print('r', end='')

# Prints `fffffrrffrfrffrffrffrffrffrffrf`.

如果get_numpy_tensor()返回一批张量,则tf.train.batch(..., enqueue_many=True)将有所帮助。

收藏
评论

这是一个常见的用例,大多数实现使用TensorFlow的队列将预处理代码与训练代码分离。有一个有关如何使用队列的教程 ,但是主要步骤如下:

  1. 定义队列q ,它将缓冲预处理的数据。 TensorFlow支持简单的tf.FIFOQueue按排队顺序生成元素),以及更高级的tf.RandomShuffleQueue (按随机顺序生成元素)。队列元素是一个或多个张量(可以具有不同的类型和形状)的元组。所有队列都支持单元素( enqueuedequeue )和批处理( enqueue_manydequeue_many )操作,但是要使用批处理操作,在构造队列时,必须在队列元素中指定每个张量的形状。

  2. 构建一个子图,将预处理的元素排入队列。一种方法是为张量定义一些tf.placeholder()操作,这些操作对应于单个输入示例,然后将它们传递给q.enqueue() 。 (如果预处理一次生成一批,则应使用q.enqueue_many()代替。)您也可以在此子图中包括TensorFlow q.enqueue_many()

  3. 建立执行训练的子图。这看起来像一个普通的TensorFlow图,但是将通过调用q.dequeue_many(BATCH_SIZE)获得其输入。

  4. 开始会话。

  5. 创建一个或多个执行预处理逻辑的线程,然后执行入队操作,并输入预处理后的数据。您可能会发现tf.train.Coordinatortf.train.QueueRunner实用程序类对此有用。

  6. 正常运行训练图(优化器等)。

编辑:这是一个简单的load_and_enqueue()函数和代码片段,可帮助您入门:

# Features are length-100 vectors of floats
feature_input = tf.placeholder(tf.float32, shape=[100])
# Labels are scalar integers.
label_input = tf.placeholder(tf.int32, shape=[])

# Alternatively, could do:
# feature_batch_input = tf.placeholder(tf.float32, shape=[None, 100])
# label_batch_input = tf.placeholder(tf.int32, shape=[None])

q = tf.FIFOQueue(100, [tf.float32, tf.int32], shapes=[[100], []])
enqueue_op = q.enqueue([feature_input, label_input])

# For batch input, do:
# enqueue_op = q.enqueue_many([feature_batch_input, label_batch_input])

feature_batch, label_batch = q.dequeue_many(BATCH_SIZE)
# Build rest of model taking label_batch, feature_batch as input.
# [...]
train_op = ...

sess = tf.Session()

def load_and_enqueue():
  with open(...) as feature_file, open(...) as label_file:
    while True:
      feature_array = numpy.fromfile(feature_file, numpy.float32, 100)
      if not feature_array:
        return
      label_value = numpy.fromfile(feature_file, numpy.int32, 1)[0]

      sess.run(enqueue_op, feed_dict={feature_input: feature_array,
                                      label_input: label_value})

# Start a thread to enqueue data asynchronously, and hide I/O latency.
t = threading.Thread(target=load_and_enqueue)
t.start()

for _ in range(TRAINING_EPOCHS):
  sess.run(train_op)
收藏
评论
新手导航
  • 社区规范
  • 提出问题
  • 进行投票
  • 个人资料
  • 优化问题
  • 回答问题

关于我们

常见问题

内容许可

联系我们

@2020 AskGo
京ICP备20001863号