このページは Cloud Translation API によって翻訳されました。
Switch to English

tf.data APIによるパフォーマンスの向上

TensorFlow.orgで見る Google Colabで実行 GitHubでソースを表示する ノートブックをダウンロード

概観

GPUとTPUは、単一のトレーニングステップの実行に必要な時間を大幅に削減できます。ピークパフォーマンスを実現するには、現在のステップが完了する前に次のステップのデータを配信する効率的な入力パイプラインが必要です。 tf.data APIは、柔軟で効率的な入力パイプラインの構築に役立ちます。このドキュメントでは、 tf.data APIを使用して高性能のTensorFlow入力パイプラインを構築する方法を示します。

続行する前に、「 TensorFlow入力パイプラインの構築 」ガイドを読んで、 tf.data APIの使用方法を学習してtf.data

資源

セットアップ

import tensorflow as tf

import time

このガイド全体を通して、データセット全体を反復処理し、パフォーマンスを測定します。再現可能なパフォーマンスベンチマークを作成することは困難な場合があり、さまざまな要因が影響します。

  • 現在のCPU負荷
  • ネットワークトラフィック、
  • キャッシュなどの複雑なメカニズム

したがって、再現可能なベンチマークを提供するには、人工的な例を作成します。

データセット

ArtificialDatasetと呼ばれるtf.data.Datasetから継承するクラスを定義します。このデータセット:

  • num_samplesサンプルを生成します(デフォルトは3)
  • 最初のアイテムがファイルを開くのをシミュレートする前にしばらくスリープします
  • 各アイテムを生成する前にしばらくスリープして、ファイルからのデータの読み取りをシミュレートします
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,)
        )

このデータセットはtf.data.Dataset.rangeデータセットに似ており、最初と各サンプル間に固定遅延が追加されます。

トレーニングループ

データセットの反復処理にかかる時間を測定するダミーのトレーニングループを記述します。トレーニング時間がシミュレーションされます。

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)

パフォーマンスを最適化

パフォーマンスを最適化する方法を示すために、 ArtificialDatasetパフォーマンスを改善します。

素朴なアプローチ

トリックを使用せずにデータセットをそのまま反復する単純なパイプラインから始めます。

benchmark(ArtificialDataset())
Execution time: 0.2530532629998561

内部的には、これは実行時間を費やす方法です。

ナイーブ

トレーニングステップの実行には以下が含まれることがわかります。

  • ファイルがまだ開かれていない場合は開きます。
  • ファイルからデータエントリを取得する、
  • データをトレーニングに使用します。

ただし、このような単純な同期実装では、パイプラインがデータをフェッチしている間、モデルはアイドル状態になります。逆に、モデルがトレーニングしている間、入力パイプラインはアイドル状態です。したがって、トレーニングステップ時間は、オープニング、リーディング、トレーニングのすべての時間の合計です。

次のセクションでは、この入力パイプラインに基づいて、パフォーマンスの高いTensorFlow入力パイプラインを設計するためのベストプラクティスを示します。

プリフェッチ

プリフェッチは、トレーニングステップの前処理とモデル実行をオーバーラップします。モデルがトレーニングステップs実行している間、入力パイプラインはステップs+1データを読み取ります。これにより、ステップ時間は(合計ではなく)トレーニングの最大値と、データの抽出にかかる時間まで短縮されます。

tf.data APIは、 tf.data.Dataset.prefetch変換を提供します。データが生成される時間とデータが消費される時間を分離するために使用できます。特に、変換はバックグラウンドスレッドと内部バッファーを使用して、要求される前に入力データセットから要素をプリフェッチします。プリフェッチする要素の数は、1つのトレーニングステップで消費されるバッチの数と同じか、それ以上になる必要があります。この値を手動で調整するか、またはtf.data.experimental.AUTOTUNE設定して、実行時にtf.dataランタイムに値を動的に調整するように要求できます。

「フェッチャー」変換は、「プロデューサー」の作業と「コンシューマー」の作業をオーバーラップさせる機会があるときはいつでも利点を提供することに注意してください。

benchmark(
    ArtificialDataset()
    .prefetch(tf.data.experimental.AUTOTUNE)
)
Execution time: 0.20858672200006367

プリフェッチ

今回は、サンプル0に対してトレーニングステップが実行されている間、入力パイプラインがサンプル1のデータを読み取っていることを確認できます。

データ抽出の並列化

実際の設定では、入力データはリモートで保存できます(GCSやHDFSなど)。ローカルストレージとリモートストレージの次の違いにより、データをローカルで読み取るときに適切に機能するデータセットパイプラインは、データをリモートで読み取るときにI / Oでボトルネックになる可能性があります。

  • 最初のバイトまでの時間:リモートストレージからファイルの最初のバイトを読み取るには、ローカルストレージよりも桁違いに長い時間がかかる場合があります。
  • 読み取りスループット:リモートストレージは通常、大きな総帯域幅を提供しますが、単一のファイルを読み取ると、この帯域幅のごく一部しか利用できない場合があります。

さらに、生のバイトがメモリに読み込まれると、追加の計算を必要とするデータ(たとえば、 protobuf )を逆シリアル化または復号化する必要がある場合もあります。このオーバーヘッドは、データがローカルに格納されているかリモートに格納されているかに関係なく存在しますが、データが効果的にプリフェッチされない場合、リモートの場合は悪化する可能性があります。

さまざまなデータ抽出オーバーヘッドの影響を軽減するために、 tf.data.Dataset.interleave変換を使用して、データ読み込みステップを並列化し、他のデータセット(データファイルリーダーなど)のコンテンツをインターリーブできます。オーバーラップするデータセットの数は、 cycle_length引数で指定でき、並列処理のレベルは、 num_parallel_calls引数で指定できます。 prefetch変換と同様に、 interleave変換はtf.data.experimental.AUTOTUNEをサポートしており、使用する並列処理のレベルに関する決定をtf.dataランタイムにtf.dataます。

順次インターリーブ

tf.data.Dataset.interleave変換のデフォルト引数により、2つのデータセットから単一のサンプルを順次インターリーブします。

benchmark(
    tf.data.Dataset.range(2)
    .interleave(ArtificialDataset)
)
Execution time: 0.2373930549999841

順次インターリーブ

このプロットは、 interleave変換の動作を示し、利用可能な2つのデータセットから交互にサンプルをフェッチします。ただし、ここではパフォーマンスの改善は行われません。

並列インターリーブ

ここで、 interleave変換のnum_parallel_calls引数を使用します。これにより、複数のデータセットが並行して読み込まれ、ファイルが開かれるのを待つ時間が短縮されます。

benchmark(
    tf.data.Dataset.range(2)
    .interleave(
        ArtificialDataset,
        num_parallel_calls=tf.data.experimental.AUTOTUNE
    )
)
Execution time: 0.1730301249999684

並列インターリーブ

今回は、2つのデータセットの読み取りが並列化されるため、グローバルデータ処理時間が短縮されます。

データ変換の並列化

データを準備するとき、入力要素を前処理する必要がある場合があります。この目的のために、 tf.data APIは、ユーザー定義関数を入力データセットの各要素に適用するtf.data.Dataset.map変換を提供します。入力要素は互いに独立しているため、前処理は複数のCPUコア間で並列化できます。これを可能にするために、 prefetchおよびinterleave変換と同様に、 map変換はnum_parallel_calls引数を提供して、並列処理のレベルを指定します。

num_parallel_calls引数に最適な値を選択することは、ハードウェア、トレーニングデータの特性(サイズや形状など)、マップ関数のコスト、およびCPUで同時に実行されている他の処理によって異なります。簡単なヒューリスティックは、使用可能なCPUコアの数を使用することです。ただし、 prefetchinterleave変換については、 map変換はtf.data.experimental.AUTOTUNEをサポートしており、使用する並列処理のレベルに関する決定をtf.dataランタイムにtf.dataます。

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

順次マッピング

ベースラインの例として、並列処理なしのmap変換を使用することから始めます。

benchmark(
    ArtificialDataset()
    .map(mapped_function)
)
Execution time: 0.43913738300011573

順次マッピング

単純なアプローチと同様に、ここでは、開始、読み取り、前処理(マッピング)、およびトレーニングの各ステップに費やされた時間が合計されて、単一の反復が行われます。

並列マッピング

次に、同じ前処理関数を使用しますが、複数のサンプルに並行して適用します。

benchmark(
    ArtificialDataset()
    .map(
        mapped_function,
        num_parallel_calls=tf.data.experimental.AUTOTUNE
    )
)
Execution time: 0.2730358689998411

並列マッピング

これで、前処理ステップがオーバーラップし、1回の反復の全体的な時間を短縮することがプロットで確認できます。

キャッシング

tf.data.Dataset.cacheトランスフォーメーションは、メモリ内またはローカルストレージ上のデータセットをキャッシュできます。これにより、各エポック中に実行されるいくつかの操作(ファイルのオープンやデータの読み取りなど)が節約されます。

benchmark(
    ArtificialDataset()
    .map(  # Apply time consuming operations before cache
        mapped_function
    ).cache(
    ),
    5
)
Execution time: 0.36568501300007483

キャッシュされたデータセット

データセットをキャッシュすると、 cache前の変換(ファイルのオープンやデータの読み取りなど)は、最初のエポック中にのみ実行されます。次のエポックは、 cache変換によってcacheされたデータを再利用します。

map変換に渡されるユーザー定義関数に負荷がかかる場合は、結果のデータセットがメモリまたはローカルストレージに収まる限り、 map変換の後にcache変換を適用します。ユーザー定義関数がデータセットを保存するために必要なスペースをキャッシュ容量を超えて増やす場合は、 cache変換後に適用するか、トレーニングジョブの前にデータを前処理してリソース使用量を減らすことを検討してください。

マッピングのベクトル化

map変換に渡されたユーザー定義関数の呼び出しには、ユーザー定義関数のスケジュールと実行に関連するオーバーヘッドがあります。ユーザー定義関数をベクトル化して(つまり、一度に入力のバッチに対して機能させる)、 map変換の前に batch変換を適用することをお勧めします。

この良い習慣を説明するには、人工データセットは適切ではありません。スケジューリングの遅延は約10マイクロ秒(10e-6秒)であり、 ArtificialDatasetで使用される数十ミリ秒よりもはるかに短いため、その影響を確認することは困難です。

この例では、基本のtf.data.Dataset.range関数を使用して、トレーニングループを最も単純な形式に単純化します。

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

スカラーマッピング

fast_benchmark(
    fast_dataset
    # Apply function one item at a time
    .map(increment)
    # Batch
    .batch(256)
)
Execution time: 0.8861004689999845

スカラーマップ

上のプロットは、何が起こっているかを示しています(サンプルが少ない場合)。マップされた関数が各サンプルに適用されていることがわかります。この関数は非常に高速ですが、時間のパフォーマンスに影響を与えるオーバーヘッドがあります。

ベクトル化されたマッピング

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

ベクトル化されたマップ

今回は、マップされた関数が1回呼び出され、サンプルのバッチに適用されます。関数の実行にはより多くの時間がかかる可能性がありますが、オーバーヘッドは1回しか現れないため、全体的な時間パフォーマンスが向上します。

メモリフットプリントの削減

interleaveprefetchshuffleなどの多くの変換では、要素の内部バッファーが維持されます。 map変換に渡されたユーザー定義関数が要素のサイズを変更する場合、マップ変換の順序と、要素をバッファリングする変換がメモリ使用量に影響します。一般に、パフォーマンスに異なる順序が望ましくない限り、メモリフットプリントが小さくなる順序を選択することをお勧めします。

部分計算のキャッシュ

この変換によりデータが大きすぎてメモリに収まらない場合を除き、 map変換後にデータセットをキャッシュすることをお勧めします。マップされた関数を2つの部分(時間のかかる部分とメモリの消費部分)に分割できる場合、トレードオフを達成できます。この場合、以下のように変換をチェーンできます。

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

このようにして、時間のかかる部分は最初のエポック中にのみ実行され、あまり多くのキャッシュスペースを使用しないようにします。

ベストプラクティスの概要

以下は、パフォーマンスの高いTensorFlow入力パイプラインを設計するためのベストプラクティスの概要です。

フィギュアを再現

tf.data.Dataset APIの理解をさらにtf.data.Datasetために、独自のパイプラインをtf.data.Datasetことができます。以下は、このガイドの画像をプロットするために使用されるコードです。これは、次のような一般的な問題に対するいくつかの回避策を示す良い出発点になる場合があります。

  • 実行時間の再現性;
  • 実行を熱望するマッピングされた関数。
  • interleave変換呼び出し可能。
import itertools
from collections import defaultdict

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

データセット

ArtificialDatasetと同様に、各ステップで費やされた時間を返すデータセットを構築できます。

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)
        )

このデータセットは、形状[[2, 1], [2, 2], [2, 3]] [tf.dtypes.string, tf.dtypes.float32, tf.dtypes.int32] [[2, 1], [2, 2], [2, 3]]およびタイプ[tf.dtypes.string, tf.dtypes.float32, tf.dtypes.int32] 。各サンプルは次のとおりです。

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

どこ:

  • OpenReadはステップ識別子です
  • t0は、対応するステップが開始したときのタイムスタンプです
  • dは対応するステップで費やされた時間です
  • iはインスタンスインデックスです
  • eはエポックインデックス(データセットが反復された回数)
  • sはサンプルインデックスです

反復ループ

すべてのタイミングを集計するには、反復ループをもう少し複雑にします。これは、上記のようにサンプルを生成するデータセットでのみ機能します。

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}

プロット方法

最後に、 timelined_benchmark関数によって返された値を指定して、タイムラインをプロットできる関数を定義します。

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")

マップされた関数にラッパーを使用する

マップされた関数を熱心なコンテキストで実行するには、それらをtf.py_function呼び出し内にラップする必要があります。

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

パイプラインの比較

_batch_map_num_items = 50

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

ナイーブ

@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

最適化

@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)

png

draw_timeline(optimized_timeline, "Optimized", 15)

png