【Keras】使用数据生成器（data generators）解决训练数据内存问题

原文地址: A detailed example of how to use data generators with Keras

引言

在使用kears训练model的时候，一般会将所有的训练数据加载到内存中，然后喂给网络，但当内存有限，且数据量过大时，此方法则不再可用。此博客，将介绍如何在多核（多线程）上实时的生成数据，并立即的送入到模型当中训练。
工具为keras。

Tutorial

先看一下还未改进的版本：

import numpy as np
from keras.models import Sequential
#载入全部的数据！！
X, y = np.load('some_training_set_with_labels.npy')
#设计模型
model = Sequential()
[...] #网络结构
model.compile()
# 在数据集上进行模型训练
model.fit(x=X, y=y)

下面的结构将改变一次性载入全部数据的情况。接下来将介绍如何一步一步的构造数据生成器，此数据生成器也可应用在你自己的项目当中；复制下来，并根据自己的需求填充空白处。

定义

在构建之前先定义统一几个变量，并介绍几个小tips,对我们处理大的数据量很重要。
ID type为string,代表数据集中的某个样本。
调整以下结构，编译处理样本和他们的label:

1.新建一个词典名叫 partition ：

• partition[‘train’] 为训练集的ID,type为list
• partition[‘validation’] 为验证集的ID,type为list

2.新建一个词典名叫 * labels * ，根据ID可找到数据集中的样本，同样可通过labels[ID]找到样本标签。
举个例子：
假设训练集包含三个样本，ID分别为id-1,id-2和id-3,相应的label分别为0，1，2。验证集包含样本ID id-4，标签为 1。此时两个词典partition和 labels分别如下：

>>> partition
{'train': ['id-1', 'id-2', 'id-3'], 'validation': ['id-4']}

>>> labels
{'id-1': 0, 'id-2': 1, 'id-3': 2, 'id-4': 1}

为了模块化，将keras的代码与设计的类class分别放在两个不同的文件中，文件结构如下：

folder/
├── my_classes.py
├── keras_script.py
└── data/

data/ 中为数据集文件。

数据生成器（data generator）

接下来将介绍如何构建数据生成器 DataGenerator ，DataGenerator将实时的对训练模型feed数据。
接下来，将先初始化类。我们使此类继承自keras.utils.Sequence，这样我们可以使用多线程。

def __init__(self, list_IDs, labels, batch_size=32, 
             dim=(32,32,32), n_channels=1,
             n_classes=10, shuffle=True):
    'Initialization'
    self.dim = dim
    self.batch_size = batch_size
    self.labels = labels
    self.list_IDs = list_IDs
    self.n_channels = n_channels
    self.n_classes = n_classes
    self.shuffle = shuffle
    self.on_epoch_end()

我们给了一些与数据相关的参数 dim,channels，classes，batch size ;方法 on_epoch_end 在一个epoch开始时或者结束时触发，shuffle决定是否在数据生成时要对数据进行打乱。

def on_epoch_end(self):
  'Updates indexes after each epoch'
  self.indexes = np.arange(len(self.list_IDs))
  if self.shuffle == True:
      np.random.shuffle(self.indexes)

另一个数据生成核心的方法__data_generation 是生成批数据。

def __data_generation(self, list_IDs_temp):
  'Generates data containing batch_size samples' # X : (n_samples, *dim, n_channels)
  # Initialization
  X = np.empty((self.batch_size, *self.dim, self.n_channels))
  y = np.empty((self.batch_size), dtype=int)

  # Generate data
  for i, ID in enumerate(list_IDs_temp):
      # Store sample
      X[i,] = np.load('data/' + ID + '.npy')

      # Store class
      y[i] = self.labels[ID]

  return X, keras.utils.to_categorical(y, num_classes=self.n_classes)

在数据生成期间，代码读取包含各个样本ID的代码ID.py.因为我们的代码是可以应用多线程的，所以可以采用更为复杂的操作，不用担心数据生成成为总体效率的瓶颈。
另外，我们使用Keras的方法keras.utils.to_categorical对label进行2值化
(比如，对6分类而言，第三个label则相应的变成 to [0 0 1 0 0 0]) 。
现在我们将要把这些部分进行组合，每一个请求需要一个batch的index，从0到所有的batch。此处定义在_len_ 中。
TODO

def __len__(self):
  'Denotes the number of batches per epoch'
  return int(np.floor(len(self.list_IDs) / self.batch_size))

现在，当相应的index的batch被选到，则生成器执行_getitem_方法来生成它。

def __getitem__(self, index):
  'Generate one batch of data'
  # Generate indexes of the batch
  indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]

  # Find list of IDs
  list_IDs_temp = [self.list_IDs[k] for k in indexes]

  # Generate data
  X, y = self.__data_generation(list_IDs_temp)

  return X, y

完整的代码

import numpy as np
import keras

class DataGenerator(keras.utils.Sequence):
    'Generates data for Keras'
    def __init__(self, list_IDs, labels, batch_size=32, dim=(32,32,32), n_channels=1,
                 n_classes=10, shuffle=True):
        'Initialization'
        self.dim = dim
        self.batch_size = batch_size
        self.labels = labels
        self.list_IDs = list_IDs
        self.n_channels = n_channels
        self.n_classes = n_classes
        self.shuffle = shuffle
        self.on_epoch_end()

    def __len__(self):
        'Denotes the number of batches per epoch'
        return int(np.floor(len(self.list_IDs) / self.batch_size))

    def __getitem__(self, index):
        'Generate one batch of data'
        # Generate indexes of the batch
        indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]

        # Find list of IDs
        list_IDs_temp = [self.list_IDs[k] for k in indexes]

        # Generate data
        X, y = self.__data_generation(list_IDs_temp)

        return X, y

    def on_epoch_end(self):
        'Updates indexes after each epoch'
        self.indexes = np.arange(len(self.list_IDs))
        if self.shuffle == True:
            np.random.shuffle(self.indexes)

    def __data_generation(self, list_IDs_temp):
        'Generates data containing batch_size samples' # X : (n_samples, *dim, n_channels)
        # Initialization
        X = np.empty((self.batch_size, *self.dim, self.n_channels))
        y = np.empty((self.batch_size), dtype=int)

        # Generate data
        for i, ID in enumerate(list_IDs_temp):
            # Store sample
            X[i,] = np.load('data/' + ID + '.npy')

            # Store class
            y[i] = self.labels[ID]

        return X, keras.utils.to_categorical(y, num_classes=self.n_classes)

keras脚本

import numpy as np

from keras.models import Sequential
from my_classes import DataGenerator

# Parameters
params = {'dim': (32,32,32),
          'batch_size': 64,
          'n_classes': 6,
          'n_channels': 1,
          'shuffle': True}

# Datasets
partition = # IDs
labels = # Labels

# Generators
training_generator = DataGenerator(partition['train'], labels, **params)
validation_generator = DataGenerator(partition['validation'], labels, **params)

# Design model
model = Sequential()
[...] # Architecture
model.compile()

# Train model on dataset
model.fit_generator(generator=training_generator,
                    validation_data=validation_generator,
                    use_multiprocessing=True,
                    n_workers=6)

n_workers设置线程数。