[英]Tensorflow 2.0 Keras is training 4x slower than 2.0 Estimator
我们最近在 TF 2.0 中切换到 Keras,但是当我们将其与 2.0 上的 DNNClassifier Estimator 进行比较时,我们发现使用 Keras 的速度降低了大约 4 倍。 但是我终其一生都无法弄清楚为什么会发生这种情况。 两者的其余代码是相同的,使用返回相同 tf.data.Dataset 的 input_fn(),并使用相同的 feature_columns。 几天来一直在努力解决这个问题。 任何帮助将不胜感激。 谢谢
估算器代码:
estimator = tf.estimator.DNNClassifier(
feature_columns = feature_columns,
hidden_units = [64,64],
activation_fn = tf.nn.relu,
optimizer = 'Adagrad',
dropout = 0.4,
n_classes = len(vocab),
model_dir = model_dir,
batch_norm = false)
estimator.train(input_fn=train_input_fn, steps=400)
凯拉斯代码:
feature_layer = tf.keras.layers.DenseFeatures(feature_columns);
model = tf.keras.Sequential([
feature_layer,
layers.Dense(64, input_shape = (len(vocab),), activation = tf.nn.relu),
layers.Dropout(0.4),
layers.Dense(64, activation = tf.nn.relu),
layers.Dropout(0.4),
layers.Dense(len(vocab), activation = 'softmax')]);
model.compile(
loss = 'sparse_categorical_crossentropy',
optimizer = 'Adagrad'
distribute = None)
model.fit(x = train_input_fn(),
epochs = 1,
steps_per_epoch = 400,
shuffle = True)
更新:为了进一步测试,我编写了一个自定义子类模型(请参阅: 专家入门),它的运行速度比 Keras 快,但比 Estimators 慢。 如果 Estimator 在 100 秒内训练,自定义模型需要大约 180 秒,Keras 大约需要大约 350 秒。 一个有趣的提示是,Estimator 使用 Adam() 运行得比 Adagrad() 慢,而 Keras 似乎运行得更快。 使用 Adam() Keras 花费的时间不到 DNNClassifier 的两倍。 假设我没有弄乱自定义代码,我开始认为 DNNClassifier 只是有很多后端优化/效率,使其比 Keras 运行得更快。
自定义代码:
class MyModel(Model):
def __init__(self):
super(MyModel, self).__init__()
self.features = layers.DenseFeatures(feature_columns, trainable=False)
self.dense = layers.Dense(64, activation = 'relu')
self.dropout = layers.Dropout(0.4)
self.dense2 = layers.Dense(64, activation = 'relu')
self.dropout2 = layers.Dropout(0.4)
self.softmax = layers.Dense(len(vocab_of_codes), activation = 'softmax')
def call(self, x):
x = self.features(x)
x = self.dense(x)
x = self.dropout(x)
x = self.dense2(x)
x = self.dropout2(x)
return self.softmax(x)
model = MyModel()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adagrad()
@tf.function
def train_step(features, label):
with tf.GradientTape() as tape:
predictions = model(features)
loss = loss_object(label, predictions)
gradients = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(gradients, model.trainable_variables))
itera = iter(train_input_fn())
for i in range(400):
features, labels = next(itera)
train_step(features, labels)
更新:它可能似乎是数据集。 当我在 train_input_fn() 中打印一行数据集时,在估计器中,它会打印出非热切的 Tensor 定义。 在 Keras 中,它会打印出 Eager 值。 通过 Keras 后端代码,当它接收 tf.data.dataset 作为输入时,它会急切地(并且只是急切地)处理它,这就是为什么每当我在 train_input_fn() 上使用 tf.function 时它都会崩溃。 基本上,我的猜测是 DNNClassifier 的训练速度比 Keras 快,因为它在图形模式下运行更多的数据集代码。 将发布任何更新/发现。
我相信它比较慢,因为它没有在图表上执行。 为了在 TF2 中的图形上执行,您需要一个用 tf.function 装饰器装饰的函数。 查看此部分以了解有关如何重构代码的想法。
对于那些(像我一样)发现这个问题并使用 Keras 嵌入层的人:
即使存在 GPU,但启用了 Eager Execution,Embedding 层也始终放置在 CPU 上,从而导致大量减速。
请参阅https://github.com/tensorflow/tensorflow/issues/44194 ,其中还包含一个解决方法。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.