Mejor rendimiento con la API tf.data

Ver en TensorFlow.org

Ejecutar en Google Colab

Ver fuente en GitHub

Descargar cuaderno

Descripción general

Las GPU y TPU pueden reducir radicalmente el tiempo necesario para ejecutar un solo paso de entrenamiento. Lograr el máximo rendimiento requiere una canalización de entrada eficiente que proporcione datos para el siguiente paso antes de que finalice el paso actual. La API tf.data ayuda a crear canalizaciones de entrada flexibles y eficientes. En este documento, se muestra cómo usar la API tf.data para crear canalizaciones de entrada de TensorFlow de alto rendimiento.

Antes de continuar, consulte la guía de canalizaciones de entrada de TensorFlow para aprender a usar la API tf.data .

Recursos

• Crea canalizaciones de entrada de TensorFlow
• APItf.data.Dataset
• Analice el rendimiento de tf.data con TF Profiler

Configuración

import tensorflow as tf

import time

A lo largo de esta guía, iterará en un conjunto de datos y medirá el rendimiento. Hacer puntos de referencia de rendimiento reproducibles puede resultar complicado. Los diferentes factores que afectan la reproducibilidad incluyen:

• La carga actual de la CPU
• El tráfico de la red
• Mecanismos complejos, como caché

Para obtener un punto de referencia reproducible, creará un ejemplo artificial.

El conjunto de datos

Comience definiendo una clasetf.data.Dataset detf.data.Dataset llamada ArtificialDataset . Este conjunto de datos:

• Genera num_samples samples (el valor predeterminado es 3)
• Duerme durante un tiempo antes del primer elemento para simular la apertura de un archivo.
• Duerme durante un tiempo antes de producir cada elemento para simular la lectura de datos de un archivo.

class ArtificialDataset(tf.data.Dataset):
    def _generator(num_samples):
        # Opening the file
        time.sleep(0.03)

        for sample_idx in range(num_samples):
            # Reading data (line, record) from the file
            time.sleep(0.015)

            yield (sample_idx,)

    def __new__(cls, num_samples=3):
        return tf.data.Dataset.from_generator(
            cls._generator,
            output_signature = tf.TensorSpec(shape = (1,), dtype = tf.int64),
            args=(num_samples,)
        )

Este conjunto de datos es similar al tf.data.Dataset.range uno, agregando un retraso fijo al comienzo y entre cada muestra.

El ciclo de entrenamiento

A continuación, escriba un bucle de entrenamiento ficticio que mida cuánto tiempo lleva iterar sobre un conjunto de datos. Se simula el tiempo de entrenamiento.

def benchmark(dataset, num_epochs=2):
    start_time = time.perf_counter()
    for epoch_num in range(num_epochs):
        for sample in dataset:
            # Performing a training step
            time.sleep(0.01)
    print("Execution time:", time.perf_counter() - start_time)

Optimiza el rendimiento

Para mostrar cómo se puede optimizar el rendimiento, mejorará el rendimiento de ArtificialDataset .

El enfoque ingenuo

Comience con una canalización ingenua sin trucos, iterando sobre el conjunto de datos tal cual.

benchmark(ArtificialDataset())

Execution time: 0.2541472299999441

Debajo del capó, así es como se gastó el tiempo de ejecución:

La trama muestra que realizar un paso de entrenamiento implica:

• Abrir un archivo si aún no se ha abierto
• Obteniendo una entrada de datos del archivo
• Usar los datos para entrenar

Sin embargo, en una implementación sincrónica ingenua como aquí, mientras su canalización está obteniendo los datos, su modelo está inactivo. Por el contrario, mientras su modelo se está entrenando, la canalización de entrada permanece inactiva. El tiempo del paso de formación es, por tanto, la suma de los tiempos de apertura, lectura y formación.

Las siguientes secciones se basan en esta canalización de entrada e ilustran las prácticas recomendadas para diseñar canalizaciones de entrada de TensorFlow con rendimiento.

Precarga

La captación previa se superpone al procesamiento previo y la ejecución del modelo de un paso de formación. Mientras el modelo ejecuta el paso de entrenamiento s , la canalización de entrada lee los datos del paso s+1 . Al hacerlo, se reduce el tiempo de paso al máximo (en lugar de la suma) del entrenamiento y el tiempo que se tarda en extraer los datos.

La API tf.data proporciona la transformación tf.data.Dataset.prefetch . Se puede utilizar para desacoplar el momento en que se producen los datos del momento en que se consumen los datos. En particular, la transformación utiliza un subproceso en segundo plano y un búfer interno para obtener elementos del conjunto de datos de entrada antes de que se soliciten. El número de elementos para captar previamente debe ser igual (o posiblemente mayor) al número de lotes consumidos por un solo paso de entrenamiento. Puede ajustar manualmente este valor o establecerlo en tf.data.AUTOTUNE , lo que solicitará al tiempo de ejecución de tf.data que ajuste el valor dinámicamente durante el tiempo de ejecución.

Tenga en cuenta que la transformación de captación previa proporciona beneficios cada vez que existe la oportunidad de superponer el trabajo de un "productor" con el trabajo de un "consumidor".

benchmark(
    ArtificialDataset()
    .prefetch(tf.data.AUTOTUNE)
)

Execution time: 0.20805208699994182

Ahora, como muestra el gráfico de tiempo de ejecución de datos, mientras se ejecuta el paso de entrenamiento para la muestra 0, la canalización de entrada lee los datos para la muestra 1, y así sucesivamente.

Paralelizar la extracción de datos

En un entorno del mundo real, los datos de entrada se pueden almacenar de forma remota (por ejemplo, en Google Cloud Storage o HDFS). Una canalización de conjuntos de datos que funciona bien al leer datos de forma local puede convertirse en un cuello de botella en la E / S al leer datos de forma remota debido a las siguientes diferencias entre el almacenamiento local y remoto:

• Tiempo hasta el primer byte : leer el primer byte de un archivo desde el almacenamiento remoto puede tardar varios órdenes de magnitud más que desde el almacenamiento local.
• Rendimiento de lectura : si bien el almacenamiento remoto generalmente ofrece un gran ancho de banda agregado, es posible que la lectura de un solo archivo solo pueda utilizar una pequeña fracción de este ancho de banda.

Además, una vez que los bytes sin procesar se cargan en la memoria, también puede ser necesario deserializar y / o descifrar los datos (por ejemplo, protobuf ), lo que requiere un cálculo adicional. Esta sobrecarga está presente independientemente de si los datos se almacenan localmente o de forma remota, pero puede ser peor en el caso remoto si los datos no se obtienen previamente de manera efectiva.

Para mitigar el impacto de los diversos gastos generales de extracción de datos, la transformación tf.data.Dataset.interleave se puede utilizar para paralelizar el paso de carga de datos, intercalando el contenido de otros conjuntos de datos (como lectores de archivos de datos). El número de conjuntos de datos que se superponen se puede especificar mediante el argumento cycle_length , mientras que el nivel de paralelismo se puede especificar mediante el argumento num_parallel_calls . Al igual que en la prefetch transformación, la interleave de transformación apoya tf.data.AUTOTUNE , que delegar la decisión acerca de qué nivel de paralelismo con el uso de la tf.data tiempo de ejecución.

Entrelazado secuencial

Los argumentos predeterminados de la transformación tf.data.Dataset.interleave hacen que intercale muestras individuales de dos conjuntos de datos de forma secuencial.

benchmark(
    tf.data.Dataset.range(2)
    .interleave(lambda _: ArtificialDataset())
)

Execution time: 0.4883518669998921

Esta gráfica de tiempo de ejecución de datos permite exhibir el comportamiento de la transformación interleave , obteniendo muestras alternativamente de los dos conjuntos de datos disponibles. Sin embargo, aquí no se trata de una mejora del rendimiento.

Entrelazado paralelo

Ahora, use el argumento num_parallel_calls de la transformación de interleave . Esto carga múltiples conjuntos de datos en paralelo, lo que reduce el tiempo de espera para que se abran los archivos.

benchmark(
    tf.data.Dataset.range(2)
    .interleave(
        lambda _: ArtificialDataset(),
        num_parallel_calls=tf.data.AUTOTUNE
    )
)

Execution time: 0.26920967700016263

Esta vez, como muestra el gráfico de tiempo de ejecución de datos, la lectura de los dos conjuntos de datos se paraleliza, lo que reduce el tiempo de procesamiento de datos global.

Paralelizar la transformación de datos

Al preparar los datos, es posible que los elementos de entrada deban procesarse previamente. Con este fin, la API tf.data ofrece la transformación tf.data.Dataset.map , que aplica una función definida por el usuario a cada elemento del conjunto de datos de entrada. Debido a que los elementos de entrada son independientes entre sí, el preprocesamiento se puede paralelizar en varios núcleos de CPU. Para que esto sea posible, de manera similar a las prefetch e interleave transformaciones, el map transformación proporciona la num_parallel_calls argumento para especificar el nivel de paralelismo.

La elección del mejor valor para el argumento num_parallel_calls depende de su hardware, las características de sus datos de entrenamiento (como su tamaño y forma), el costo de su función de mapa y qué otro procesamiento está sucediendo en la CPU al mismo tiempo. Una heurística simple es utilizar la cantidad de núcleos de CPU disponibles. Sin embargo, en cuanto a la prefetch y la interleave la transformación, el map transformación apoya tf.data.AUTOTUNE que delegar la decisión acerca de qué nivel de paralelismo con el uso de la tf.data tiempo de ejecución.

def mapped_function(s):
    # Do some hard pre-processing
    tf.py_function(lambda: time.sleep(0.03), [], ())
    return s

Mapeo secuencial

Empiece por utilizar la transformación del map sin paralelismo como ejemplo de referencia.

benchmark(
    ArtificialDataset()
    .map(mapped_function)
)

Execution time: 0.4379127629999857

En cuanto al enfoque ingenuo , aquí, como muestra la trama, los tiempos dedicados a la apertura, lectura, preprocesamiento (mapeo) y pasos de entrenamiento se suman para una sola iteración.

Mapeo paralelo

Ahora, utilice la misma función de preprocesamiento pero aplíquela en paralelo en varias muestras.

benchmark(
    ArtificialDataset()
    .map(
        mapped_function,
        num_parallel_calls=tf.data.AUTOTUNE
    )
)

Execution time: 0.2747970279999663

Como demuestra el gráfico de datos, los pasos de preprocesamiento se superponen, lo que reduce el tiempo total para una sola iteración.

Almacenamiento en caché

La transformación tf.data.Dataset.cache puede almacenar en caché un conjunto de datos, ya sea en la memoria o en el almacenamiento local. Esto evitará que algunas operaciones (como la apertura de archivos y la lectura de datos) se ejecuten durante cada época.

benchmark(
    ArtificialDataset()
    .map(  # Apply time consuming operations before cache
        mapped_function
    ).cache(
    ),
    5
)

Execution time: 0.3715158390000397

Aquí, el gráfico de tiempo de ejecución de datos muestra que cuando almacena en caché un conjunto de datos, las transformaciones antes de la cache (como la apertura del archivo y la lectura de datos) se ejecutan solo durante la primera época. Las próximas épocas reutilizarán los datos almacenados en caché por la transformación de cache .

Si la función definida por el usuario que se pasa a la transformación del map es cara, aplique la transformación de la cache después de la transformación del map siempre que el conjunto de datos resultante pueda caber en la memoria o el almacenamiento local. Si la función definida por el usuario aumenta el espacio necesario para almacenar el conjunto de datos más allá de la capacidad de la caché, aplíquelo después de la transformación de la cache o considere preprocesar sus datos antes de su trabajo de entrenamiento para reducir el uso de recursos.

Vectorización de mapeo

Invocar una función definida por el usuario que se pasa a la transformación del map tiene una sobrecarga relacionada con la programación y ejecución de la función definida por el usuario. Vectorice la función definida por el usuario (es decir, haga que opere sobre un lote de entradas a la vez) y aplique la transformación por batch antes de la transformación del map .

Para ilustrar esta buena práctica, su conjunto de datos artificiales no es adecuado. El retraso de programación es de alrededor de 10 microsegundos (10e-6 segundos), mucho menos que las decenas de milisegundos utilizados en ArtificialDataset , y por lo tanto su impacto es difícil de ver.

Para este ejemplo, use la función base tf.data.Dataset.range y simplifique el ciclo de entrenamiento a su forma más simple.

fast_dataset = tf.data.Dataset.range(10000)

def fast_benchmark(dataset, num_epochs=2):
    start_time = time.perf_counter()
    for _ in tf.data.Dataset.range(num_epochs):
        for _ in dataset:
            pass
    tf.print("Execution time:", time.perf_counter() - start_time)

def increment(x):
    return x+1

Mapeo escalar

fast_benchmark(
    fast_dataset
    # Apply function one item at a time
    .map(increment)
    # Batch
    .batch(256)
)

Execution time: 0.9082538790000854

La gráfica de arriba ilustra lo que está sucediendo (con menos muestras) usando el método de mapeo escalar. Muestra que la función mapeada se aplica para cada muestra. Si bien esta función es muy rápida, tiene algunos gastos generales que afectan el rendimiento del tiempo.

Mapeo vectorizado

fast_benchmark(
    fast_dataset
    .batch(256)
    # Apply function on a batch of items
    # The tf.Tensor.__add__ method already handle batches
    .map(increment)
)

Execution time: 0.03624614399996062

Esta vez, la función asignada se llama una vez y se aplica a un lote de muestra. Como muestra el gráfico de tiempo de ejecución de datos, si bien la función puede tardar más en ejecutarse, la sobrecarga aparece solo una vez, lo que mejora el rendimiento general del tiempo.

Reducir la huella de memoria

Varias transformaciones, incluidas interleave , prefetch y shuffle , mantienen un búfer interno de elementos. Si la función definida por el usuario que se pasa a la transformación del map cambia el tamaño de los elementos, entonces el orden de la transformación del mapa y las transformaciones de los elementos del búfer afectan el uso de la memoria. En general, elija el orden que resulte en una menor huella de memoria, a menos que sea deseable un orden diferente para el rendimiento.

Almacenamiento en caché de cálculos parciales

Se recomienda almacenar en caché el conjunto de datos después de la transformación del map excepto si esta transformación hace que los datos sean demasiado grandes para caber en la memoria. Se puede lograr una compensación si su función mapeada se puede dividir en dos partes: una que consume mucho tiempo y otra que consume memoria. En este caso, puede encadenar sus transformaciones como se muestra a continuación:

dataset.map(time_consuming_mapping).cache().map(memory_consuming_mapping)

De esta manera, la parte que consume mucho tiempo solo se ejecuta durante la primera época y evita usar demasiado espacio de caché.

Resumen de las mejores prácticas

A continuación, se muestra un resumen de las mejores prácticas para diseñar canalizaciones de entrada de TensorFlow con rendimiento:

• Utilice la transformación de prefetch para superponer el trabajo de un productor y un consumidor
• Paralelizar la transformación de lectura de datos utilizando la transformación de interleave
• Paralelizar la transformación del map estableciendo el argumento num_parallel_calls
• Utilizar el cache de transformación de datos de la caché en la memoria durante la primera época
• Vectorizar funciones definidas por el usuario pasadas a la transformación del map
• Reducir el uso de memoria al aplicar las transformaciones de interleave , prefetch y shuffle

Reproduciendo las figuras

Para profundizar en latf.data.Dataset APItf.data.Dataset , puede jugar con sus propias canalizaciones. A continuación se muestra el código utilizado para trazar las imágenes de esta guía. Puede ser un buen punto de partida, ya que muestra algunas soluciones para dificultades comunes como:

• Reproducibilidad del tiempo de ejecución
• Ejecución ávida de funciones mapeadas
• interleave transformación invocable

import itertools
from collections import defaultdict

import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

El conjunto de datos

Al igual que en ArtificialDataset , puede crear un conjunto de datos que devuelva el tiempo invertido en cada paso.

class TimeMeasuredDataset(tf.data.Dataset):
    # OUTPUT: (steps, timings, counters)
    OUTPUT_TYPES = (tf.dtypes.string, tf.dtypes.float32, tf.dtypes.int32)
    OUTPUT_SHAPES = ((2, 1), (2, 2), (2, 3))

    _INSTANCES_COUNTER = itertools.count()  # Number of datasets generated
    _EPOCHS_COUNTER = defaultdict(itertools.count)  # Number of epochs done for each dataset

    def _generator(instance_idx, num_samples):
        epoch_idx = next(TimeMeasuredDataset._EPOCHS_COUNTER[instance_idx])

        # Opening the file
        open_enter = time.perf_counter()
        time.sleep(0.03)
        open_elapsed = time.perf_counter() - open_enter

        for sample_idx in range(num_samples):
            # Reading data (line, record) from the file
            read_enter = time.perf_counter()
            time.sleep(0.015)
            read_elapsed = time.perf_counter() - read_enter

            yield (
                [("Open",), ("Read",)],
                [(open_enter, open_elapsed), (read_enter, read_elapsed)],
                [(instance_idx, epoch_idx, -1), (instance_idx, epoch_idx, sample_idx)]
            )
            open_enter, open_elapsed = -1., -1.  # Negative values will be filtered


    def __new__(cls, num_samples=3):
        return tf.data.Dataset.from_generator(
            cls._generator,
            output_types=cls.OUTPUT_TYPES,
            output_shapes=cls.OUTPUT_SHAPES,
            args=(next(cls._INSTANCES_COUNTER), num_samples)
        )

Este conjunto de datos proporciona muestras de forma [[2, 1], [2, 2], [2, 3]] y de tipo [tf.dtypes.string, tf.dtypes.float32, tf.dtypes.int32] . Cada muestra es:

(
  [("Open"), ("Read")],
  [(t0, d), (t0, d)],
  [(i, e, -1), (i, e, s)]
)

Dónde:

• Open y Read son identificadores de pasos
• t0 es la marca de tiempo cuando comenzó el paso correspondiente
• d es el tiempo empleado en el paso correspondiente
• i es el índice de instancia
• e es el índice de época (número de veces que se ha iterado el conjunto de datos)
• s es el índice de muestra

El ciclo de iteración

Haga que el ciclo de iteración sea un poco más complicado para agregar todos los tiempos. Esto solo funcionará con conjuntos de datos que generen muestras como se detalla anteriormente.

def timelined_benchmark(dataset, num_epochs=2):
    # Initialize accumulators
    steps_acc = tf.zeros([0, 1], dtype=tf.dtypes.string)
    times_acc = tf.zeros([0, 2], dtype=tf.dtypes.float32)
    values_acc = tf.zeros([0, 3], dtype=tf.dtypes.int32)

    start_time = time.perf_counter()
    for epoch_num in range(num_epochs):
        epoch_enter = time.perf_counter()
        for (steps, times, values) in dataset:
            # Record dataset preparation informations
            steps_acc = tf.concat((steps_acc, steps), axis=0)
            times_acc = tf.concat((times_acc, times), axis=0)
            values_acc = tf.concat((values_acc, values), axis=0)

            # Simulate training time
            train_enter = time.perf_counter()
            time.sleep(0.01)
            train_elapsed = time.perf_counter() - train_enter

            # Record training informations
            steps_acc = tf.concat((steps_acc, [["Train"]]), axis=0)
            times_acc = tf.concat((times_acc, [(train_enter, train_elapsed)]), axis=0)
            values_acc = tf.concat((values_acc, [values[-1]]), axis=0)

        epoch_elapsed = time.perf_counter() - epoch_enter
        # Record epoch informations
        steps_acc = tf.concat((steps_acc, [["Epoch"]]), axis=0)
        times_acc = tf.concat((times_acc, [(epoch_enter, epoch_elapsed)]), axis=0)
        values_acc = tf.concat((values_acc, [[-1, epoch_num, -1]]), axis=0)
        time.sleep(0.001)

    tf.print("Execution time:", time.perf_counter() - start_time)
    return {"steps": steps_acc, "times": times_acc, "values": values_acc}

El método de trazado

Finalmente, defina una función capaz de trazar una línea de tiempo dados los valores devueltos por la función timelined_benchmark .

def draw_timeline(timeline, title, width=0.5, annotate=False, save=False):
    # Remove invalid entries (negative times, or empty steps) from the timelines
    invalid_mask = np.logical_and(timeline['times'] > 0, timeline['steps'] != b'')[:,0]
    steps = timeline['steps'][invalid_mask].numpy()
    times = timeline['times'][invalid_mask].numpy()
    values = timeline['values'][invalid_mask].numpy()

    # Get a set of different steps, ordered by the first time they are encountered
    step_ids, indices = np.stack(np.unique(steps, return_index=True))
    step_ids = step_ids[np.argsort(indices)]

    # Shift the starting time to 0 and compute the maximal time value
    min_time = times[:,0].min()
    times[:,0] = (times[:,0] - min_time)
    end = max(width, (times[:,0]+times[:,1]).max() + 0.01)

    cmap = mpl.cm.get_cmap("plasma")
    plt.close()
    fig, axs = plt.subplots(len(step_ids), sharex=True, gridspec_kw={'hspace': 0})
    fig.suptitle(title)
    fig.set_size_inches(17.0, len(step_ids))
    plt.xlim(-0.01, end)

    for i, step in enumerate(step_ids):
        step_name = step.decode()
        ax = axs[i]
        ax.set_ylabel(step_name)
        ax.set_ylim(0, 1)
        ax.set_yticks([])
        ax.set_xlabel("time (s)")
        ax.set_xticklabels([])
        ax.grid(which="both", axis="x", color="k", linestyle=":")

        # Get timings and annotation for the given step
        entries_mask = np.squeeze(steps==step)
        serie = np.unique(times[entries_mask], axis=0)
        annotations = values[entries_mask]

        ax.broken_barh(serie, (0, 1), color=cmap(i / len(step_ids)), linewidth=1, alpha=0.66)
        if annotate:
            for j, (start, width) in enumerate(serie):
                annotation = "\n".join([f"{l}: {v}" for l,v in zip(("i", "e", "s"), annotations[j])])
                ax.text(start + 0.001 + (0.001 * (j % 2)), 0.55 - (0.1 * (j % 2)), annotation,
                        horizontalalignment='left', verticalalignment='center')
    if save:
        plt.savefig(title.lower().translate(str.maketrans(" ", "_")) + ".svg")

Utilice envoltorios para la función mapeada

Para ejecutar la función mapeada en un contexto ansioso, debe envolverlas dentro de una llamada tf.py_function .

def map_decorator(func):
    def wrapper(steps, times, values):
        # Use a tf.py_function to prevent auto-graph from compiling the method
        return tf.py_function(
            func,
            inp=(steps, times, values),
            Tout=(steps.dtype, times.dtype, values.dtype)
        )
    return wrapper

Comparación de tuberías

_batch_map_num_items = 50

def dataset_generator_fun(*args):
    return TimeMeasuredDataset(num_samples=_batch_map_num_items)

Ingenuo

@map_decorator
def naive_map(steps, times, values):
    map_enter = time.perf_counter()
    time.sleep(0.001)  # Time consuming step
    time.sleep(0.0001)  # Memory consuming step
    map_elapsed = time.perf_counter() - map_enter

    return (
        tf.concat((steps, [["Map"]]), axis=0),
        tf.concat((times, [[map_enter, map_elapsed]]), axis=0),
        tf.concat((values, [values[-1]]), axis=0)
    )

naive_timeline = timelined_benchmark(
    tf.data.Dataset.range(2)
    .flat_map(dataset_generator_fun)
    .map(naive_map)
    .batch(_batch_map_num_items, drop_remainder=True)
    .unbatch(),
    5
)

WARNING:tensorflow:From <ipython-input-1-c85330a00c6e>:36: calling DatasetV2.from_generator (from tensorflow.python.data.ops.dataset_ops) with output_types is deprecated and will be removed in a future version.
Instructions for updating:
Use output_signature instead
WARNING:tensorflow:From <ipython-input-1-c85330a00c6e>:36: calling DatasetV2.from_generator (from tensorflow.python.data.ops.dataset_ops) with output_shapes is deprecated and will be removed in a future version.
Instructions for updating:
Use output_signature instead
Execution time: 12.445692234000035

Optimizado

@map_decorator
def time_consuming_map(steps, times, values):
    map_enter = time.perf_counter()
    time.sleep(0.001 * values.shape[0])  # Time consuming step
    map_elapsed = time.perf_counter() - map_enter

    return (
        tf.concat((steps, tf.tile([[["1st map"]]], [steps.shape[0], 1, 1])), axis=1),
        tf.concat((times, tf.tile([[[map_enter, map_elapsed]]], [times.shape[0], 1, 1])), axis=1),
        tf.concat((values, tf.tile([[values[:][-1][0]]], [values.shape[0], 1, 1])), axis=1)
    )


@map_decorator
def memory_consuming_map(steps, times, values):
    map_enter = time.perf_counter()
    time.sleep(0.0001 * values.shape[0])  # Memory consuming step
    map_elapsed = time.perf_counter() - map_enter

    # Use tf.tile to handle batch dimension
    return (
        tf.concat((steps, tf.tile([[["2nd map"]]], [steps.shape[0], 1, 1])), axis=1),
        tf.concat((times, tf.tile([[[map_enter, map_elapsed]]], [times.shape[0], 1, 1])), axis=1),
        tf.concat((values, tf.tile([[values[:][-1][0]]], [values.shape[0], 1, 1])), axis=1)
    )


optimized_timeline = timelined_benchmark(
    tf.data.Dataset.range(2)
    .interleave(  # Parallelize data reading
        dataset_generator_fun,
        num_parallel_calls=tf.data.AUTOTUNE
    )
    .batch(  # Vectorize your mapped function
        _batch_map_num_items,
        drop_remainder=True)
    .map(  # Parallelize map transformation
        time_consuming_map,
        num_parallel_calls=tf.data.AUTOTUNE
    )
    .cache()  # Cache data
    .map(  # Reduce memory usage
        memory_consuming_map,
        num_parallel_calls=tf.data.AUTOTUNE
    )
    .prefetch(  # Overlap producer and consumer works
        tf.data.AUTOTUNE
    )
    .unbatch(),
    5
)

Execution time: 6.326935971000012

draw_timeline(naive_timeline, "Naive", 15)

draw_timeline(optimized_timeline, "Optimized", 15)