Советы по производительности

В этом документе содержатся советы по повышению производительности для наборов данных TensorFlow (TFDS). Обратите внимание, что TFDS предоставляет наборы данных в виде объектов tf.data.Dataset , поэтому совет из руководства по tf.data остается в силе.

Сравнительные наборы данных

Используйте tfds.benchmark(ds) для сравнения любого объекта tf.data.Dataset .

Обязательно укажите batch_size= для нормализации результатов (например, 100 ит/сек -> 3200 экз/сек). Это работает с любым итерируемым (например tfds.benchmark(tfds.as_numpy(ds)) ).

ds = tfds.load('mnist', split='train').batch(32).prefetch()
# Display some benchmark statistics
tfds.benchmark(ds, batch_size=32)
# Second iteration is much faster, due to auto-caching
tfds.benchmark(ds, batch_size=32)

Небольшие наборы данных (менее 1 ГБ)

Все наборы данных TFDS хранят данные на диске в формате TFRecord . Для небольших наборов данных (например, MNIST, CIFAR-10/-100) чтение из .tfrecord может привести к значительным накладным расходам.

Поскольку эти наборы данных помещаются в память, можно значительно повысить производительность путем кэширования или предварительной загрузки набора данных. Обратите внимание, что TFDS автоматически кэширует небольшие наборы данных (подробности в следующем разделе).

Кэширование набора данных

Вот пример конвейера данных, который явно кэширует набор данных после нормализации изображений.

def normalize_img(image, label):
  """Normalizes images: `uint8` -> `float32`."""
  return tf.cast(image, tf.float32) / 255., label


ds, ds_info = tfds.load(
    'mnist',
    split='train',
    as_supervised=True,  # returns `(img, label)` instead of dict(image=, ...)
    with_info=True,
)
# Applying normalization before `ds.cache()` to re-use it.
# Note: Random transformations (e.g. images augmentations) should be applied
# after both `ds.cache()` (to avoid caching randomness) and `ds.batch()` (for
# vectorization [1]).
ds = ds.map(normalize_img, num_parallel_calls=tf.data.AUTOTUNE)
ds = ds.cache()
# For true randomness, we set the shuffle buffer to the full dataset size.
ds = ds.shuffle(ds_info.splits['train'].num_examples)
# Batch after shuffling to get unique batches at each epoch.
ds = ds.batch(128)
ds = ds.prefetch(tf.data.experimental.AUTOTUNE)

При повторении этого набора данных вторая итерация будет намного быстрее первой благодаря кэшированию.

Автокэширование

По умолчанию TFDS автоматически кэширует (с помощью ds.cache() ) наборы данных, удовлетворяющие следующим ограничениям:

  • Общий размер набора данных (все разбиения) определен и составляет < 250 МБ.
  • shuffle_files отключен, или читается только один фрагмент

Можно отказаться от автоматического кэширования, передав try_autocaching=False в tfds.ReadConfig в tfds.load . Просмотрите документацию по каталогу наборов данных, чтобы узнать, будет ли конкретный набор данных использовать автоматическое кэширование.

Загрузка полных данных в виде одного тензора

Если ваш набор данных помещается в память, вы также можете загрузить полный набор данных в виде одного массива Tensor или NumPy. Это можно сделать, установив batch_size=-1 для объединения всех примеров в один tf.Tensor . Затем используйте tfds.as_numpy для преобразования из tf.Tensor в np.array .

(img_train, label_train), (img_test, label_test) = tfds.as_numpy(tfds.load(
    'mnist',
    split=['train', 'test'],
    batch_size=-1,
    as_supervised=True,
))

Большие наборы данных

Большие наборы данных сегментированы (разделены на несколько файлов) и обычно не помещаются в памяти, поэтому их не следует кэшировать.

Перетасовка и обучение

Во время обучения важно хорошо перемешивать данные — плохо перемешанные данные могут привести к снижению точности обучения.

В дополнение к использованию ds.shuffle для перемешивания записей, вы также должны установить shuffle_files=True , чтобы получить хорошее поведение при перемешивании больших наборов данных, разбитых на несколько файлов. В противном случае эпохи будут считывать осколки в одном и том же порядке, поэтому данные не будут по-настоящему рандомизированы.

ds = tfds.load('imagenet2012', split='train', shuffle_files=True)

Кроме того, когда shuffle_files=True , TFDS отключает options.deterministic , что может дать небольшой прирост производительности. Чтобы получить детерминированное перемешивание, можно отказаться от этой функции с помощью tfds.ReadConfig : либо установив read_config.shuffle_seed , либо перезаписав read_config.options.deterministic .

Автоматическое разделение ваших данных между работниками (TF)

При обучении нескольких рабочих процессов вы можете использовать аргумент input_context функции tfds.ReadConfig , чтобы каждый рабочий процесс считывал подмножество данных.

input_context = tf.distribute.InputContext(
    input_pipeline_id=1,  # Worker id
    num_input_pipelines=4,  # Total number of workers
)
read_config = tfds.ReadConfig(
    input_context=input_context,
)
ds = tfds.load('dataset', split='train', read_config=read_config)

Это дополнение к subsplit API. Во-первых, применяется subplit API: train[:50%] преобразуется в список файлов для чтения. Затем к этим файлам применяется ds.shard() . Например, при использовании train[:50%] с num_input_pipelines=2 каждый из двух рабочих будет считывать 1/4 данных.

Когда shuffle_files=True файлы перемешиваются внутри одного рабочего процесса, но не между рабочими процессами. Каждый рабочий процесс будет читать одно и то же подмножество файлов между эпохами.

Автоматическое разделение ваших данных между работниками (Jax)

С Jax вы можете использовать API tfds.split_for_jax_process или tfds.even_splits для распределения ваших данных между работниками. См. руководство по раздельному API .

split = tfds.split_for_jax_process('train', drop_remainder=True)
ds = tfds.load('my_dataset', split=split)

tfds.split_for_jax_process — это простой псевдоним для:

# The current `process_index` loads only `1 / process_count` of the data.
splits = tfds.even_splits('train', n=jax.process_count(), drop_remainder=True)
split = splits[jax.process_index()]

Более быстрое декодирование изображений

По умолчанию TFDS автоматически декодирует изображения. Однако есть случаи, когда может быть более эффективно пропустить декодирование изображения с помощью tfds.decode.SkipDecoding и вручную применить tf.io.decode_image :

  • При фильтрации примеров (с помощью tf.data.Dataset.filter ) для декодирования изображений после того, как примеры были отфильтрованы.
  • При обрезке изображений использовать объединенную tf.image.decode_and_crop_jpeg .

Код для обоих примеров доступен в руководстве по декодированию .

Пропустить неиспользуемые функции

Если вы используете только часть функций, некоторые функции можно полностью пропустить. Если в вашем наборе данных много неиспользуемых функций, отказ от их декодирования может значительно повысить производительность. См. https://www.tensorflow.org/datasets/decode#only_decode_a_sub-set_of_the_features .