如何衡量 Tensorflow 新 DataSet API 中 Map 函数的性能?
Posted
技术标签:
【中文标题】如何衡量 Tensorflow 新 DataSet API 中 Map 函数的性能?【英文标题】:How To Measure The Performance Of Map Function In Tensorflow's New DataSet API? 【发布时间】:2019-06-13 12:34:45 【问题描述】:我一直在我的 GPU 实例中使用 Tensorflow 1.12 版,我有大约 130 个 TfRecords 文件,其中包含 120 万个 ImageNet 数据。首先我应用了一个地图函数,然后flat_map
来扩充数据集,最终将是 120 万 x 2048 图像。
self.filenames = tf.placeholder(tf.string, shape=[None])
self.eval_filenames = tf.placeholder(tf.string, shape = [None])
dataset = tf.data.TFRecordDataset(self.filenames)
eval_dataset = tf.data.TFRecordDataset(self.eval_filenames)
print("inside dataset ", dataset.output_shapes)
dataset = dataset.map(self.decode, num_parallel_calls=10)
dataset = dataset.flat_map(self.apply_flip_crop)
dataset = dataset.batch(self.config["batch_size"])
dataset = dataset.prefetch(2)
iterator = dataset.make_initializable_iterator()
这里的 decode 函数返回图像的扁平化数组和 one-hot 编码标签。然而,flat_map
中传递的函数做了一件很繁重的事情,就像:两个循环来创建切片并反转它们,每个循环产生 1024 个张量。单个图像的最终输出将是 [2048, 224, 224, 3]
张量。函数如下所示:
def apply_flip_crop(self, tf_example, lable):
"""
Calls a helper function random_crop flips which randomly crops and flips
the images, and returns the agumented tensors.
Parameters
----------
:param tf_example: A tensor of shape [batchsize, flattedimageshape]
:type tf_example: Tensors [batchsize, flattedimageshape]
:param lable: A Constant integer representing the class_id of the image.
:type lable: tf.int32
:return: Tensors of shape [flattedimageshape], label of image tf.int32
:rtype: Tensors
"""
data = tf.reshape(tf_example, [256, 256, 3])
data = self.random_crop_flip(data)
lables = [lable for i in range(2048)]
return tf.data.Dataset.from_tensor_slices((data, lables))
def random_crop_flip(self, image):
"""
Apply random crop and random flip to the image tensor.
Parameters
----------
:param image: A tensor representing a flattened image array.
:type image: Tensor of shape [imageflattenedarray]
:return: List of 2048 tensors of shape [imageflattenedarray]
:rtype: List
"""
crops = []
for i in range(256 - 224):
for j in range(256 - 224):
crop = tf.slice(image, [i, j, 0], [224, 224, 3])
crop2 = tf.reverse(crop, axis=[1])
crops.append(crop)
crops.append(crop2)
return crops
现在的问题是训练过程非常缓慢。我读过dataset.from_tensor_slices
对这种需求非常不利。但我认为这里有很多可以改进的地方。为此,我需要可视化每个操作的性能。主要是flat_map
函数。
我正在使用 tensorflow 的 RunTime Statistic,如下所示:
sess.run(iterator.initializer, feed_dict=data_gen.filenames:
training_filenames,
options=run_options, run_metadata=run_metadata)
next_element = iterator.get_next()
for i in range(1):
datapoint = sess.run(next_element, options=run_options,
run_metadata=run_metadata)
summary_writer.add_run_metadata(run_metadata, 'step%d' % i)
它记录了准备数据集所花费的时间,但它没有记录执行flat_map
操作所花费的时间,这是我怀疑的问题,这是性能滞后的地方。
感谢您在性能建议以及flat_map函数所用时间的测量方面的帮助。
提前致谢。
【问题讨论】:
【参考方案1】:尝试使用 TensorFlow 的时间线:HowTo profile TensorFlow
【讨论】:
以上是关于如何衡量 Tensorflow 新 DataSet API 中 Map 函数的性能?的主要内容,如果未能解决你的问题,请参考以下文章
TensorFlow:dataset.train.next_batch 是如何定义的?
TensorFlow 新的 contrib.data.Dataset 对象如何工作?