Keras - 如何獲得每一層在訓練中花費的時間？

Question

我已經使用 Tensorflow 后端為圖像分類任務實現了 Keras 順序模型。 它有一些自定義層來替換 Keras 層，如 conv2d、max-pooling 等。 但是添加這些層后，雖然保留了准確性，但訓練時間卻增加了數倍。 所以我需要看看這些層是在前向或后向傳遞（通過反向傳播）還是兩者都需要時間，以及這些操作中的哪些可能需要優化（使用 Eigen 等）。

但是，我找不到任何方法來了解模型中每個層/操作所花費的時間。 檢查了 Tensorboard 和回調的功能，但無法了解它們如何幫助計時訓練細節。 有沒有辦法做到這一點？ 謝謝你的幫助。

Answer 1

這並不簡單，因為每一層都在每個 epoch 中得到訓練。 您可以使用回調來獲取整個網絡的 epoch 訓練時間，但是您必須進行某種拼湊才能獲得所需的內容（每層的近似訓練時間）。

步驟 -

1. 創建一個回調來記錄每個 epoch 的運行時間
2. 將網絡中的每一層設置為不可訓練，只有一層設置為可訓練。
3. 在少量時期訓練模型並獲得平均運行時間
4. 對網絡中的每個獨立層循環執行步驟 2 到 3
5. 返回結果

這不是實際的運行時間，但是，您可以對哪一層比另一層花費的時間按比例增加進行相對分析。

#Callback class for time history (picked up this solution directly from StackOverflow)

class TimeHistory(Callback):
    def on_train_begin(self, logs={}):
        self.times = []

    def on_epoch_begin(self, batch, logs={}):
        self.epoch_time_start = time.time()

    def on_epoch_end(self, batch, logs={}):
        self.times.append(time.time() - self.epoch_time_start)
        
time_callback = TimeHistory()

# Model definition

inp = Input((inp_dims,))
embed_out = Embedding(vocab_size, 256, input_length=inp_dims)(inp)

x = Conv1D(filters=32, kernel_size=3, activation='relu')(embed_out)
x = MaxPooling1D(pool_size=2)(x)
x = Flatten()(x)

x = Dense(64, activation='relu')(x)
x = Dropout(0.5)(x)
x = Dense(32, activation='relu')(x)
x = Dropout(0.5)(x)
out = Dense(out_dims, activation='softmax')(x)

model = Model(inp, out)
model.summary()

# Function for approximate training time with each layer independently trained

def get_average_layer_train_time(epochs):
    
    #Loop through each layer setting it Trainable and others as non trainable
    results = []
    for i in range(len(model.layers)):
        
        layer_name = model.layers[i].name    #storing name of layer for printing layer
        
        #Setting all layers as non-Trainable
        for layer in model.layers:
            layer.trainable = False
            
        #Setting ith layers as trainable
        model.layers[i].trainable = True
        
        #Compile
        model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy', metrics=['acc'])
        
        #Fit on a small number of epochs with callback that records time for each epoch
        model.fit(X_train_pad, y_train_lbl,      
              epochs=epochs, 
              batch_size=128, 
              validation_split=0.2, 
              verbose=0,
              callbacks = [time_callback])
        
        results.append(np.average(time_callback.times))
        #Print average of the time for each layer
        print(f"{layer_name}: Approx (avg) train time for {epochs} epochs = ", np.average(time_callback.times))
    return results

runtimes = get_average_layer_train_time(5)
plt.plot(runtimes)

#input_2: Approx (avg) train time for 5 epochs =  0.4942781925201416
#embedding_2: Approx (avg) train time for 5 epochs =  0.9014601230621337
#conv1d_2: Approx (avg) train time for 5 epochs =  0.822748851776123
#max_pooling1d_2: Approx (avg) train time for 5 epochs =  0.479401683807373
#flatten_2: Approx (avg) train time for 5 epochs =  0.47864508628845215
#dense_4: Approx (avg) train time for 5 epochs =  0.5149370670318604
#dropout_3: Approx (avg) train time for 5 epochs =  0.48329877853393555
#dense_5: Approx (avg) train time for 5 epochs =  0.4966880321502686
#dropout_4: Approx (avg) train time for 5 epochs =  0.48073616027832033
#dense_6: Approx (avg) train time for 5 epochs =  0.49605698585510255