Сохраните дату! Google I / O возвращается 18-20 мая Зарегистрируйтесь сейчас
Эта страница переведена с помощью Cloud Translation API.
Switch to English

Советы по производительности

В этом документе представлены советы по производительности, относящиеся к TFDS. Обратите внимание, что TFDS предоставляет наборы данных какtf.data.Dataset s, поэтому совет из руководства tf.data прежнему применим.

Контрольные наборы данных

Используйте tfds.benchmark(ds) для тестирования любого объектаtf.data.Dataset .

Обязательно укажите batch_size= для нормализации результатов (например, 100 т / сек -> 3200 экс / сек). Это работает с любыми итерациями (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 (<ГБ)

Все наборы данных TFDS хранят данные на диске в формате TFRecord . Для небольших наборов данных (например, Mnist, Cifar, ...) чтение из .tfrecord может привести к значительным накладным расходам.

Поскольку эти наборы данных умещаются в памяти, можно значительно повысить производительность за счет кэширования или предварительной загрузки набора данных. Обратите внимание, что TFDS автоматически кэширует небольшие наборы данных (подробности см. 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.experimental.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 итерации по этому набору данных вторая итерация будет намного быстрее первой благодаря кешированию.

Авто-кеширование

По умолчанию TFDS автоматически кэширует наборы данных, которые удовлетворяют следующим ограничениям:

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

Можно отказаться от автоматического кэширования, передав try_autocaching=False в tfds.ReadConfig в tfds.load . Взгляните на документацию каталога наборов данных, чтобы узнать, будет ли определенный набор данных использовать автоматическое кеширование.

Загрузка полных данных как одного тензора

Если ваш набор данных умещается в памяти, вы также можете загрузить полный набор данных как один массив Tensor или NumPy. Это можно сделать, установив batch_size=-1 чтобы batch_size=-1 все примеры 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 сегментируются (разбиваются на несколько файлов) и обычно не помещаются в памяти, поэтому их не следует кэшировать.

Перемешивание и обучение

Во время обучения важно хорошо перемешать данные; плохо перемешанные данные могут привести к снижению точности обучения.

Помимо использования ds.shuffle для перемешивания записей, вы также должны установить shuffle_files=True чтобы получить хорошее поведение при перемешивании для больших наборов данных, которые сегментированы в несколько файлов. В противном случае эпохи будут читать осколки в одном и том же порядке, и поэтому данные не будут действительно рандомизированы.

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

Кроме того, когда shuffle_files=True , TFDS отключает options.experimental_deterministic , что может немного повысить производительность. Чтобы получить детерминированное перемешивание, можно отказаться от этой функции с помощью tfds.ReadConfig : либо установив read_config.shuffle_seed либо перезаписав read_config.options.experimental_deterministic .

Автоматически распределяйте данные между воркерами

При обучении нескольких input_context вы можете использовать аргумент input_context в tfds.ReadConfig , чтобы каждый воркер 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 API-интерфейсу subplit. Сначала применяется subplit API ( train[:50%] преобразуется в список файлов для чтения), затем к этим ds.shard() применяется ds.shard() . Пример: при использовании train[:50%] с num_input_pipelines=2 каждый из 2 рабочих будет читать 1/4 данных.

Когда shuffle_files=True , файлы перетасовываются в пределах одного shuffle_files=True , но не между shuffle_files=True . Каждый рабочий будет читать одно и то же подмножество файлов между эпохами.

Более быстрое декодирование изображений

По умолчанию TFDS автоматически декодирует изображения. Однако бывают случаи, когда более производительно пропускать декодирование изображения с помощью tfds.decode.SkipDecoding и вручную применять tf.io.decode_image :

  • При фильтрации примеров (с помощью ds.filter ) для декодирования изображений после фильтрации примеров.
  • При обрезке изображений использовать объединенный tf.image.decode_and_crop_jpeg op.

Код для обоих примеров доступен в руководстве по декодированию .