How to asynchronously load and train batches to train a DeepLearning model?
我有3TB数据集和64GB RAM,以及12个核心CPU和一个12GB GPU。希望在该数据集上训练深度学习模型。如何具有批处理的异步加载和模型训练?我要确保数据的磁盘加载不会阻塞训练循环,以等待新批次加载到内存中。
我不依赖语言,并且最简单的库可以无摩擦地胜出,但是我更喜欢割炬,pytorch,张量流之一。
我们使用Keras(tensorflow后端)通过上述@ mo-hossny(不是"绑在Imagenet文件夹结构")解决了此问题,并在此处进行了详细介绍。
简短摘要:大多数ML教程都显示了目录结构,其中子目录隐含了训练(和测试)示例的类。例如,您可能会看到子目录和文件,例如
如果相反,您创建了一个简单的Pandas DataFrame来保存每个训练/测试样本的唯一ID,类标签和文件路径,那么您可以在每个纪元开始时随机播放此DataFrame,并以小批量和使用生成器将每个块发送到GPU。在后台,CPU使块队列保持满,等待其完成当前批处理后立即将每个后续块发送给GPU。
这样的DataFrame的一个例子是:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | df object_id bi multi path index 0 461756 dog white /path/to/imgs/756/61/blah_461756.png 1 1161756 cat black /path/to/imgs/756/61/blah_1161756.png 2 3303651 dog white /path/to/imgs/651/03/blah_3303651.png 3 3367756 dog grey /path/to/imgs/756/67/blah_3367756.png 4 3767756 dog grey /path/to/imgs/756/67/blah_3767756.png 5 5467756 cat black /path/to/imgs/756/67/blah_5467756.png 6 5561756 dog white /path/to/imgs/756/61/blah_5561756.png 7 31255756 cat grey /path/to/imgs/756/55/blah_31255756.png 8 35903651 cat black /path/to/imgs/651/03/blah_35903651.png 9 44603651 dog black /path/to/imgs/651/03/blah_44603651.png 10 49557622 cat black /path/to/imgs/622/57/blah_49557622.png 11 58164756 dog grey /path/to/imgs/756/64/blah_58164756.png 12 95403651 cat white /path/to/imgs/651/03/blah_95403651.png 13 95555756 dog grey /path/to/imgs/756/55/blah_95555756.png |
我已经包含了该问题的二项式和多项式版本的标签,这确实证明了相同的DataFrame和文件可以在不同的分类设置中使用。
一旦您执行了此操作,Keras生成器代码就会非常简短,甜美:
1 | train_generator = generator_from_df(df, batch_size, target_size) |
其中df与我上面的示例相似,并且在此处定义了函数generator_from_df()。它只是以给定大小的块循环遍历df。读取,规范化和连接在块行中指定的像素数据;并最终生成(因此生成器)X(像素)和Y(标签)数据。它的核心与以下内容非常相似:
1 2 3 4 5 6 7 8 9 10 11 12 13 | i, j = 0, batch_size for _ in range(nbatches): sub = df.iloc[i:j] X = np.array([ (2 * (img_to_array(load_img(f, target_size=target_size)) / 255.0 - 0.5)) for f in sub.imgpath]) Y = sub.target.values yield X, Y i = j j += batch_size count += 1 |
请注意文章中的引用和代码:我们在Keras页面和此处的Stackoverflow上汇总了其他人的有用提示。
如果您不希望绑定到Imagenet文件夹结构,则可以在每个框架中开发自己的数据加载器。 pytorch示例代码可从https://stackoverflow.com/a/45102798/7387369获得。在训练时它将加载下一批。将num_workers设置为要并行运行的线程数。
您尝试使用任何可用的Imagenet代码吗?
以指定的格式准备数据。
您不是要这些吗?