[英]Starting training takes a very long time in Tensorflow 2
Tensorflow 2 需要大约 15 分钟来制作其 static 图表(或在第一次通过之前所做的任何事情)。 这之后的训练时间是正常的,但显然很难尝试等待任何反馈的 15 分钟。
生成器编码器和鉴别器是带有 GRU 单元的 RNN(未展开),位于 Keras model 中。
生成器解码器的定义和调用如下:
class GeneratorDecoder(tf.keras.layers.Layer):
def __init__(self, feature_dim):
super(GeneratorDecoder, self).__init__()
self.cell = tf.keras.layers.GRUCell(
GRUI_DIM, activation='tanh', recurrent_activation='sigmoid',
dropout=DROPOUT, recurrent_dropout=DROPOUT)
self.batch_normalization = tf.keras.layers.BatchNormalization()
self.dense = tf.keras.layers.Dense(
feature_dim, activation='tanh')
@tf.function
def __call__(self, z, timesteps, training):
# z has shape (batch_size, features)
outputs = []
output, state = z, z
for i in range(timesteps):
output, state = self.cell(inputs=output, states=state,
training=training)
dense_output = self.dense(
self.batch_normalization(output))
outputs.append(dense_output)
return outputs
这是我的训练循环(mask_gt 和 missing_data 变量使用 tf.cast 进行转换,应该已经是张量):
for it in tqdm(range(NO_ITERATIONS)):
print(it)
train_step()
@tf.function
def train_step():
with tf.GradientTape(persistent=True) as tape:
generator_output = generator(missing_data, training=True)
imputed_data = get_imputed_data(missing_data, generator_output)
mask_pred = discriminator(imputed_data)
D_loss = discriminator.loss(mask_pred, mask_gt)
G_loss = generator.loss(missing_data, mask_gt,
generator_output, mask_pred)
gen_enc_grad = tape.gradient(
G_loss, generator.encoder.trainable_variables)
gen_dec_grad = tape.gradient(
G_loss, generator.decoder.trainable_variables)
disc_grad = tape.gradient(
D_loss, discriminator.model.trainable_variables)
del tape
generator.optimizer.apply_gradients(
zip(gen_enc_grad, generator.encoder.trainable_variables))
generator.optimizer.apply_gradients(
zip(gen_dec_grad, generator.decoder.trainable_variables))
discriminator.optimizer.apply_gradients(
zip(disc_grad, discriminator.model.trainable_variables))
注意“0”是在几秒内打印出来的,所以慢的部分肯定不会更早。 这是调用的 get_imputed_data function:
def get_imputed_data(incomplete_series, generator_output):
return tf.where(tf.math.is_nan(incomplete_series), generator_output, incomplete_series)
感谢您的任何回答。 希望我提供了足够的代码来说明问题所在:这是我阅读至少五年后第一次在这里发帖:)
我使用 Python 3.6 和 Tensorflow 2.1。
该问题已通过删除 tf.function 装饰器来解决,该装饰器用于生成器和鉴别器的调用函数。 我在两个 tf.function 修饰函数中使用了一个全局 python 标量(迭代号)。 这导致每次都创建一个新图表(请参阅tf.function 文档中的注意事项)。
解决方案是删除使用的 python 变量或将它们转换为 tensorflow 变量。
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.