Tensorflow 2.0 Keras 的训练速度比 2.0 Estimator 慢 4 倍

Posted 2023-02-16

【中文标题】Tensorflow 2.0 Keras 的训练速度比 2.0 Estimator 慢 4 倍

【英文标题】：Tensorflow 2.0 Keras is training 4x slower than 2.0 Estimator

【发布时间】：2019-08-05 21:06:30

【问题描述】：

我们最近为 TF 2.0 切换到 Keras，但是当我们将其与 2.0 上的 DNNClassifier Estimator 进行比较时，我们发现 Keras 的速度降低了大约 4 倍。但我终其一生都无法弄清楚为什么会发生这种情况。两者的其余代码是相同的，使用返回相同 tf.data.Dataset 的 input_fn()，并使用相同的 feature_columns。几天来一直在努力解决这个问题。任何帮助将不胜感激。谢谢

估算器代码：

estimator = tf.estimator.DNNClassifier(
        feature_columns = feature_columns,
        hidden_units = [64,64],
        activation_fn = tf.nn.relu,
        optimizer = 'Adagrad',
        dropout = 0.4,
        n_classes = len(vocab),
        model_dir = model_dir,
        batch_norm = false)

estimator.train(input_fn=train_input_fn, steps=400)

Keras 代码：

feature_layer = tf.keras.layers.DenseFeatures(feature_columns);

model = tf.keras.Sequential([
        feature_layer,
        layers.Dense(64, input_shape = (len(vocab),), activation = tf.nn.relu),
        layers.Dropout(0.4),
        layers.Dense(64, activation = tf.nn.relu),
        layers.Dropout(0.4),
        layers.Dense(len(vocab), activation = 'softmax')]);

model.compile(
        loss = 'sparse_categorical_crossentropy',
        optimizer = 'Adagrad'
        distribute = None)

model.fit(x = train_input_fn(),
          epochs = 1,
          steps_per_epoch = 400,
          shuffle = True)

更新：为了进一步测试，我编写了一个自定义子类模型（参见：Get Started For Experts），它比 Keras 运行得更快，但比 Estimators 慢。如果 Estimator 在 100 秒内训练，自定义模型大约需要 ~180 秒，而 Keras 大约需要 ~350 秒。一个有趣的注意事项是，使用 Adam() 的 Estimator 运行速度比 Adagrad() 慢，而 Keras 似乎运行得更快。使用 Adam()，Keras 花费的时间不到 DNNClassifier 的两倍。假设我没有弄乱自定义代码，我开始认为 DNNClassifier 只是有很多后端优化/效率，使其运行速度比 Keras 快。

自定义代码：

class MyModel(Model):
  def __init__(self):
    super(MyModel, self).__init__()
    self.features = layers.DenseFeatures(feature_columns, trainable=False)
    self.dense = layers.Dense(64, activation = 'relu')
    self.dropout = layers.Dropout(0.4)
    self.dense2 = layers.Dense(64, activation = 'relu')
    self.dropout2 = layers.Dropout(0.4)
    self.softmax = layers.Dense(len(vocab_of_codes), activation = 'softmax')

  def call(self, x):
    x = self.features(x)
    x = self.dense(x)
    x = self.dropout(x)
    x = self.dense2(x)
    x = self.dropout2(x)
    return self.softmax(x)

model = MyModel()
loss_object = tf.keras.losses.SparseCategoricalCrossentropy()
optimizer = tf.keras.optimizers.Adagrad()

@tf.function
def train_step(features, label):
  with tf.GradientTape() as tape:
    predictions = model(features)
    loss = loss_object(label, predictions)
  gradients = tape.gradient(loss, model.trainable_variables)
  optimizer.apply_gradients(zip(gradients, model.trainable_variables))

itera = iter(train_input_fn())
for i in range(400):
  features, labels = next(itera)
  train_step(features, labels)

更新：它可能似乎是数据集。当我在 train_input_fn() 中打印一行数据集时，在估计器中，它会打印出非急切的张量定义。在 Keras 中，它会打印出急切的值。通过 Keras 后端代码，当它接收到一个 tf.data.dataset 作为输入时，它会急切地（而且只是急切地）处理它，这就是我在 train_input_fn() 上使用 tf.function 时它崩溃的原因。基本上，我的猜测是 DNNClassifier 的训练速度比 Keras 快，因为它在图形模式下运行更多的数据集代码。将发布任何更新/发现。

【参考方案1】：

我认为它比较慢，因为它没有在图表上执行。为了在 TF2 中的图表上执行，您需要一个用 tf.function 装饰器装饰的函数。查看this section，了解如何重构代码。

【讨论】：

感谢您的回复。 ^^ 我同意这将是放缓的最可能原因。我只是不确定，因为我假设 Google / TF 团队已经编写了 Keras 的 fit() 和 Estimator 的 train() 以在后端实现中自动使用 tf.function 或图形代码。在一天的大部分时间里，我一直在尝试以图形模式运行代码，使用 tf.function 或 tf.compat.v1.disable_eager_execution()。在图形模式下，估计器可以正确训练，但 Keras 在 DenseFeatures() 层会遇到大量奇怪的错误。我会继续挖掘并发布更新。谢谢你。 ^^

一直在挖掘更多，发现：“Keras 层/模型继承自 tf.train.Checkpointable 并与 @tf.function 集成，这使得可以直接检查点或从中导出 SavedModels Keras 对象。” (Effective TF2) 所以我假设代码已经在使用图形模式。我唯一的线索是我们的 feature_columns 基本上是一个 100 万词汇量的 indicator_column(categorical_column(...))。我在想也许 Keras 在这种尺寸和类型上的速度要慢得多。将继续挖掘，并将发布任何发现。

【参考方案2】：

对于那些（像我一样）发现这个问题并使用 Keras 的嵌入层的人：

即使有 GPU，但启用了 Eager Execution，嵌入层也始终放置在 CPU 上，从而导致速度大幅下降。

请参阅https://github.com/tensorflow/tensorflow/issues/44194，其中还包含一种解决方法。