如何加速 tf.data.Dataset.from_generator()

Question

在 tensorflow2.0 中，我想訓練一個具有 nce 損失的 skip-gram 模型。 tf.data.Dataset.from_tensor_slices() 不適合，因為輸入文件真的很大。 所以我寫了一個這樣的數據集生成器類：

class DataSet:
    """"""

    def __init__(self, args, vocab):
        self.args = args
        self.vocab = vocab

    def generator(self):
        """a generator function, it will return skip-gram sample or cbow sample"""
        with open(self.args.input) as f_input:
            for line in tqdm.tqdm(f_input.readlines()):
                tokens = line.strip().split()
                tokens_indices = self.vocab.indices(tokens)
                for index, target_word in enumerate(tokens_indices):
                    context_words = list()
                    begin = index - self.args.window_size if index - self.args.window_size > 0 else 0
                    end = index + 1 + self.args.window_size if index + self.args.window_size + 1 < len(tokens_indices) else len(
                        tokens_indices)
                    context_words.extend(tokens_indices[begin:index])
                    context_words.extend(tokens_indices[index + 1:end])
                    if self.args.cbow > 0:
                        yield context_words, target_word
                    else:
                        for i in range(len(context_words)):
                            yield target_word, context_words[i]

    def dataset(self):
        """Using tf.data.Dataset.from_generator() to return sample"""
        if self.args.cbow:
            dataset = tf.data.Dataset.from_generator(
                self.generator,
                (tf.int32, tf.int32),
                (tf.TensorShape([None]), tf.TensorShape([]))
            )
        else:
            dataset = tf.data.Dataset.from_generator(
                self.generator,
                (tf.int32, tf.int32),
                (tf.TensorShape([]), tf.TensorShape([]))
            )

        return dataset

然后我用以下方法測試我的代碼：

dataset = DataSet(args, vocab).dataset()
iterator = dataset.make_one_shot_iterator()
for batch, (x,y) in enumerate(dataset.batch(128)):
    pass
print(batch, x.shape, y.shape)

但是迭代所有行需要花費大量時間（在 MacBook pro 2012 中大約 10 分鍾/15000 行）。 有沒有什么方法可以加速代碼？

Answer 1

如果您正在處理大型數據集，那么 TFRecord 是合適的選擇。 它使用二進制文件格式來存儲您的數據，並且會對導入管道的性能產生重大影響，從而對模型的訓練時間產生重大影響。 二進制數據占用更少的磁盤空間，復制所需的時間更少，並且可以更有效地從磁盤讀取。 如果您的數據存儲在旋轉磁盤上，則尤其如此，因為與 SSD 相比讀/寫性能要低得多。

然而，純粹的性能並不是 TFRecord 文件格式的唯一優勢。 它以多種方式針對 Tensorflow 進行了優化。 首先，它可以輕松組合多個數據集，並與庫提供的數據導入和預處理功能無縫集成。 特別是對於太大而無法完全存儲在內存中的數據集，這是一個優勢，因為只有當時需要的數據（例如批處理）從磁盤加載然后進行處理。 TFRecords 的另一個主要優點是可以存儲序列數據——例如，時間序列或單詞編碼——以允許非常有效和（從編碼角度）方便地導入此類數據的方式。

建議通過此官方鏈接查看TFRecord 。 您也可以通過此鏈接了解如何構建 TFRecord 管道。

下面是一個簡單的例子，使用TFRecordWriter寫入序列化記錄，然后將其加載到TFRecordDatset

%tensorflow_version 2.x
import tensorflow as tf
print(tf.__version__)

def write_date_tfrecord():  
    #writes 10 dummy values to replicate the issue
    Output = [20191221 + x for x in range(0,10)]
    print("Writing Output - ", Output)

    example = tf.train.Example(
            features = tf.train.Features(
                feature = {                    
                    'Output':tf.train.Feature(float_list=tf.train.FloatList(value=Output))                    
                     }
                ))


    writer = tf.io.TFRecordWriter("Output.tf_record")
    writer.write(example.SerializeToString())

def parse_function(serialized_example):
        features = {
            'Output': tf.io.FixedLenSequenceFeature([], tf.float32,allow_missing=True) 
             }
        features = tf.io.parse_single_example(serialized=serialized_example, features=features)  
        Output = features['Output']
        return Output

def dataset_generator():
    trRecordDataset = tf.data.TFRecordDataset("Output.tf_record")
    trRecordDataset = trRecordDataset.map(parse_function, num_parallel_calls = tf.data.experimental.AUTOTUNE)
    return trRecordDataset

if __name__ == '__main__':
    write_date_tfrecord()
    generator = dataset_generator()
    for Output in generator:
        print(Output)

輸出 -

2.2.0
Writing Output -  [20191221, 20191222, 20191223, 20191224, 20191225, 20191226, 20191227, 20191228, 20191229, 20191230]
tf.Tensor(
[20191220. 20191222. 20191224. 20191224. 20191224. 20191226. 20191228.
 20191228. 20191228. 20191230.], shape=(10,), dtype=float32)

希望這能回答你的問題。 快樂學習。