使用TensorFlow Dataset API和flat_map的并行线程

Question

我正在将TensorFlow代码从旧队列接口更改为新的Dataset API 。 使用旧接口，我可以为tf.train.shuffle_batch队列指定num_threads参数。 但是，控制数据集API中线程数量的唯一方法似乎是使用num_parallel_calls参数在map函数中。 但是，我正在使用flat_map函数，它没有这样的参数。

问题 ：有没有办法控制flat_map函数的线程/进程数？ 或者是否有方法将map与flat_map结合使用并仍然指定并行调用的数量？

请注意，并行运行多个线程至关重要，因为我打算在数据进入队列之前在CPU上运行大量预处理。

GitHub上有两个（ 这里和这里 ）相关的帖子，但我不认为他们回答了这个问题。

这是我用例的最小代码示例：

with tf.Graph().as_default():
    data = tf.ones(shape=(10, 512), dtype=tf.float32, name="data")
    input_tensors = (data,)

    def pre_processing_func(data_):
        # normally I would do data-augmentation here
        results = (tf.expand_dims(data_, axis=0),)
        return tf.data.Dataset.from_tensor_slices(results)

    dataset_source = tf.data.Dataset.from_tensor_slices(input_tensors)
    dataset = dataset_source.flat_map(pre_processing_func)
    # do something with 'dataset'

Answer 1

据我所知，目前flat_map不提供并行选项。 鉴于大部分计算是在pre_processing_func完成的，您可以使用的解决方法是并行map调用，然后进行一些缓冲，然后使用带有标识lambda函数的flat_map调用来处理输出的扁平化。

在代码中：

NUM_THREADS = 5
BUFFER_SIZE = 1000

def pre_processing_func(data_):
    # data-augmentation here
    # generate new samples starting from the sample `data_`
    artificial_samples = generate_from_sample(data_)
    return atificial_samples

dataset_source = (tf.data.Dataset.from_tensor_slices(input_tensors).
                  map(pre_processing_func, num_parallel_calls=NUM_THREADS).
                  prefetch(BUFFER_SIZE).
                  flat_map(lambda *x : tf.data.Dataset.from_tensor_slices(x)).
                  shuffle(BUFFER_SIZE)) # my addition, probably necessary though

注意（对我自己和试图理解管道的人）：

由于pre_processing_func从初始样本开始生成任意数量的新样本（以形状矩阵(?, 512) ），因此需要使用flat_map调用将所有生成的矩阵转换为包含单个样本的Dataset （因此tf.data.Dataset.from_tensor_slices(x) ，然后将所有这些数据集展平为一个包含单个样本的大Dataset 。

对.shuffle() ，将数据集或生成的样本打包在一起可能是一个好主意。