 Ver en TensorFlow.org |  Ejecutar en Google Colab |  Ver fuente en GitHub |  Descargar cuaderno |
Visión general
Las GPU y TPU pueden reducir radicalmente el tiempo necesario para ejecutar un solo paso de entrenamiento. Alcanzar 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. Este documento demuestra cómo usar la API tf.data para crear canalizaciones de entrada de TensorFlow de alto rendimiento.
Antes de continuar, lea la guía " Compilar canalizaciones de entrada de TensorFlow " para aprender a usar la API tf.data .
Recursos
- Crea canalizaciones de entrada de TensorFlow
- API
tf.data.Dataset - Analice el rendimiento de
tf.datacon TF Profiler
Preparar
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 ser difícil, ya que hay diferentes factores que lo afectan:
- la carga actual de la CPU,
- el tráfico de la red,
- mecanismos complejos como caché, etc.
Por lo tanto, para proporcionar un punto de referencia reproducible, cree un ejemplo artificial.
El conjunto de datos
Defina una clase tf.data.Dataset de tf.data.Dataset denominada ArtificialDataset . Este conjunto de datos:
- genera
num_samplessamples (el valor predeterminado es 3) - duerme durante algún 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_types=tf.dtypes.int64,
output_shapes=(1,),
args=(num_samples,)
)
Este conjunto de datos es similar al tf.data.Dataset.range uno, agregando un retraso fijo al principio y entre cada muestra.
El ciclo de entrenamiento
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)
tf.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: 0.2530532629998561
Bajo el capó, así es como se gastó el tiempo de ejecución:
Puede ver que realizar un paso de entrenamiento implica:
- abrir un archivo si aún no se ha abierto,
- obtener una entrada de datos del archivo,
- utilizando los datos para el entrenamiento.
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 todo el tiempo 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 contraposición a la suma) del entrenamiento y el tiempo que lleva 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. 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.experimental.AUTOTUNE lo que solicitará al tiempo de ejecución tf.data que ajuste el valor dinámicamente en 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.experimental.AUTOTUNE)
)
Execution time: 0.20858672200006367
Esta vez, puede ver que mientras se ejecuta el paso de entrenamiento para la muestra 0, la canalización de entrada lee los datos de la muestra 1, y así sucesivamente.
Paralelizar la extracción de datos
En un entorno del mundo real, los datos de entrada pueden almacenarse de forma remota (por ejemplo, GCS o HDFS). Una canalización de conjuntos de datos que funciona bien al leer datos localmente 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, la lectura de un solo archivo solo puede 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.experimental.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 se intercalen muestras individuales de dos conjuntos de datos de forma secuencial.
benchmark(
tf.data.Dataset.range(2)
.interleave(ArtificialDataset)
)
Execution time: 0.2373930549999841
Este gráfico permite exhibir el comportamiento de la transformación de 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(
ArtificialDataset,
num_parallel_calls=tf.data.experimental.AUTOTUNE
)
)
Execution time: 0.1730301249999684
Esta vez, la lectura de los dos conjuntos de datos se paraleliza, reduciendo el tiempo global de procesamiento de datos.
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 usar el número de núcleos de CPU disponibles. Sin embargo, en cuanto a la prefetch y la interleave la transformación, el map transformación apoya tf.data.experimental.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: 0.43913738300011573
En cuanto al enfoque ingenuo , aquí los tiempos dedicados a la apertura, la lectura, el procesamiento previo (mapeo) y los pasos de entrenamiento se suman para una sola iteración.
Mapeo paralelo
Ahora, use la misma función de preprocesamiento pero aplíquela en paralelo en múltiples muestras.
benchmark(
ArtificialDataset()
.map(
mapped_function,
num_parallel_calls=tf.data.experimental.AUTOTUNE
)
)
Execution time: 0.2730358689998411
Ahora, puede ver en el gráfico que 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: 0.36568501300007483
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 costosa, 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 procesar previamente sus datos antes de su trabajo de entrenamiento para reducir el uso de recursos.
Vectorización de mapas
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. Recomendamos vectorizar la función definida por el usuario (es decir, hacer que opere sobre un lote de entradas a la vez) y aplicar 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: 0.8861004689999845
El gráfico anterior ilustra lo que está sucediendo (con menos muestras). Puede ver que la función asignada 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: 0.032729552000091644
Esta vez, la función asignada se llama una vez y se aplica a un lote de muestra. 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, recomendamos elegir 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 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
prefetchpara superponer el trabajo de un productor y un consumidor. - Paralelaizar la transformación de lectura de datos utilizando la transformación de
interleave. - Paralelizar la transformación del
mapconfigure el argumentonum_parallel_calls. - Utilizar el
cachede 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 - Reduzca el uso de memoria al aplicar las transformaciones de
interleave,prefetchyshuffle.
Reproduciendo las figuras
Para profundizar en la tf.data.Dataset API tf.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, mostrando algunas soluciones para dificultades comunes como:
- Reproducibilidad del tiempo de ejecución;
- Ejecución ávida de funciones mapeadas;
-
interleavetransformación 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 empleado 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:
-
OpenyReadson identificadores de pasos -
t0es la marca de tiempo cuando comenzó el paso correspondiente -
des el tiempo empleado en el paso correspondiente -
ies el índice de instancia -
ees el índice de época (número de veces que se ha iterado el conjunto de datos) -
ses 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
)
Execution time: 12.436093607999965
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.experimental.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.experimental.AUTOTUNE
)
.cache() # Cache data
.map( # Reduce memory usage
memory_consuming_map,
num_parallel_calls=tf.data.experimental.AUTOTUNE
)
.prefetch( # Overlap producer and consumer works
tf.data.experimental.AUTOTUNE
)
.unbatch(),
5
)
Execution time: 6.303204500999982
draw_timeline(naive_timeline, "Naive", 15)
draw_timeline(optimized_timeline, "Optimized", 15)
