使用tf.contrib.data.parallel_interleave并行化tf.from_generator

Question

我有一堆JSON数组文件（准确地说是AVRO），每个文件都产生多个样本来训练Keras模型。通过使用@GPhilo和@jsimsa的想法，我能够想到这一点来并行化我的输入管道。无法弄清楚如何设计generator(n)来划分处理文件的工作。代码内部失败，parse_file(f)因为该函数需要一个字符串文件路径而不是一个Tensor，

N = num_cores = 2
files_to_process = ["f1.avro", "f2.avro", "f3.avro"]
shuffle_size = prefetch_buffer = 1000
batch_size = 512

def generator(n):
    size = math.ceil(len(files_to_process) / N)
    start_index = n * size
    end_index = start_index + size

    def gen():
        # for f in files_to_process[start_index:end_index]:
        for f in tf.slice(files_to_process, start_index, size):
            yield f

    return gen

def dataset(n):
    return tf.data.Dataset.from_generator(generator(n), (tf.string,))

def process_file(f):
    examples_x, examples_y = parse_file(f)
    return examples_x, examples_y

ds = tf.data.Dataset.range(N)
ds = ds.apply(tf.contrib.data.parallel_interleave(dataset, cycle_length=N))
ds = ds.map(process_file, num_parallel_calls=N)
ds = ds.prefetch(prefetch_buffer)
ds = ds.flat_map(lambda *x: tf.data.Dataset.from_tensor_slices(x))
ds = ds.batch(batch_size).shuffle(shuffle_size)

...
myTfKerasModel.fit( ds.make_one_iterator(), NUM_TRAIN_SAMPLES // batch_size )

• generator(n)这里正确的设计方法是什么
• 这是使用parallel_interleave和设计输入管道的优化方法吗？flat_map

Answer 1

在我看来，发电机不必要地使您的生活变得复杂。这就是我实现您的输入管道的方式：

def parse_file_tf(filename):
    return tf.py_func(parse_file, [filename], [tf.float32, tf.float32])

# version with map
files = tf.data.Dataset.from_tensor_slices(files_to_process)
dataset = files.map(parse_file_tf, num_parallel_calls=N)
dataset = dataset.flat_map(lambda *x: tf.data.Dataset.from_tensor_slices(x))
dataset = dataset.batch(batch_size).shuffle(shuffle_size).prefetch(2)
it = dataset.make_one_shot_iterator()

为了测试它，我定义一个虚拟对象parse_file为：

i=0
def parse_file(f):
    global i
    i += 1
    return np.asarray([i]*i, dtype=np.float32), np.asarray([i]*i, dtype=np.float32) # mimicks variable-length examples_x, examples_y

我输入了一个基本循环，该循环显示了迭代器返回的内容：

sess = tf.Session()
try:
    while True:
        x, y = it.get_next()
        vx, vy = sess.run([x,y])
        print(vx)
        print(vy)
except tf.errors.OutOfRangeError:
    pass
sess.close()

运行上面的代码可以打印：

[2. 3. 2. 1. 3. 3.]
[2. 3. 2. 1. 3. 3.]

管道说明

本质上，我将并行化问题留给map，可以在其中传递应运行的线程数。无需生成器迭代范围和那些额外的复杂性。

我选择map
overparallel_interleave是因为map要求您为Dataset返回的每个项生成一个实例，在您的情况下，这实际上没有任何意义，因为在运行时已将所有值加载到内存中parse_file。
parallel_interleave如果您缓慢地生成值（例如，通过应用tf.data.TFRecordDataset到文件名列表）会很有意义，但是如果您的数据集适合内存，请使用map。

关于tf.py_func限制，它们不会影响您训练有素的网络，只会影响输入管道。理想情况下，您将为培训和网络的最终使用使用不同的管道。您只需要注意后者的局限性，而对于培训（除非您使用分布式培训和/或在机器之间移动培训进行非常具体的操作），则可以相当安全地进行。

带发电机的版本

如果您的JSON文件很大，并且其内容无法容纳在内存中，则可以使用生成器，但与您最初使用的方法略有不同。这个想法是，生成器遍历JSON文件并yield一次记录一个记录。然后，生成器必须是您的parse_file功能。例如，假设您具有以下parse_file生成器：

i = 3
def parse_file(filename):
    global i
    i += 1
    ctr = 0
    while ctr < i:
        yield ctr, ctr

在这种情况下，管道如下所示：

def wrap_generator(filename):
    return tf.data.Dataset.from_generator(parse_file(filename), [tf.int32, tf.int32])

files = tf.data.Dataset.from_tensor_slices(files_to_process)
dataset = files.apply(tf.contrib.data.parallel_interleave(wrap_generator, cycle_length=N))
dataset = dataset.flat_map(lambda *x: tf.data.Dataset.from_tensor_slices(x))
dataset = dataset.shuffle(shuffle_size).batch(batch_size).prefetch(2)
it = dataset.make_one_shot_iterator()

请注意，此处需要使用，parallel_interleave因为我们将生成器转换Dataset为从中提取值的实例。其余的保持不变。

将其馈送到与上述相同的示例循环中：

[6. 5. 4. 4. 6. 5. 6. 6. 5. 4. 6. 4. 5. 5. 6.]
[6. 5. 4. 4. 6. 5. 6. 6. 5. 4. 6. 4. 5. 5. 6.]