tensorflow - 使用 feed_dict 比使用数据集 API 快 5 倍以上？

Question

我创建了一个 TFRecord 格式的数据集进行测试。每个条目包含 200 列，命名为 C1 - C199 ，每个都是一个字符串列表，和一个 label列来表示标签。创建数据的代码可以在这里找到:https://github.com/codescv/tf-dist/blob/8bb3c44f55939fc66b3727a730c57887113e899c/src/gen_data.py#L25

然后我使用线性模型来训练数据。第一种方法如下所示:

dataset = tf.data.TFRecordDataset(data_file)
dataset = dataset.prefetch(buffer_size=batch_size*10)
dataset = dataset.map(parse_tfrecord, num_parallel_calls=5)
dataset = dataset.repeat(num_epochs)
dataset = dataset.batch(batch_size)

features, labels = dataset.make_one_shot_iterator().get_next()    
logits = tf.feature_column.linear_model(features=features, feature_columns=columns, cols_to_vars=cols_to_vars)
train_op = ...

with tf.Session() as sess:
    sess.run(train_op)

完整代码可以在这里找到:https://github.com/codescv/tf-dist/blob/master/src/lr_single.py

当我运行上面的代码时，我得到 0.85 步/秒(批量大小为 1024)。

在第二种方法中，我手动将数据集中的批处理放入 python，然后将它们提供给占位符，如下所示:

example = tf.placeholder(dtype=tf.string, shape=[None])
features = tf.parse_example(example, features=tf.feature_column.make_parse_example_spec(columns+[tf.feature_column.numeric_column('label', dtype=tf.float32, default_value=0)]))
labels = features.pop('label')
train_op = ...

dataset = tf.data.TFRecordDataset(data_file).repeat().batch(batch_size)
next_batch = dataset.make_one_shot_iterator().get_next()

with tf.Session() as sess:
    data_batch = sess.run(next_batch)
    sess.run(train_op, feed_dict={example: data_batch})

完整代码可以在这里找到:https://github.com/codescv/tf-dist/blob/master/src/lr_single_feed.py

当我运行上面的代码时，我得到 5 步/秒。这比第一种方法快 5 倍。这是我不明白的，因为理论上第二个应该会因为数据批处理的额外序列化/反序列化而变慢。

谢谢!

Answer 1

当前(从 TensorFlow 1.9 开始)使用 tf.data 时存在性能问题映射和批处理具有大量特征的张量，每个张量中的数据量很少。该问题有两个原因:

dataset.map(parse_tfrecord, ...)转换将执行 O( batch_size * num_columns ) 小操作来创建批处理。相比之下，喂食 tf.placeholder()至tf.parse_example()将执行 O(1) 操作来创建相同的批处理。

批量多tf.SparseTensor使用 dataset.batch() 的对象比直接创建相同的 tf.SparseTensor 慢得多作为 tf.parse_example() 的输出.

对这两个问题的改进正在进行中，并且应该在 TensorFlow 的 future 版本中可用。同时，您可以提高 tf.data 的性能。 - 基于管道，通过切换 dataset.map() 的顺序和 dataset.batch()并重写 dataset.map()处理字符串向量，例如基于馈送的版本:

dataset = tf.data.TFRecordDataset(data_file)
dataset = dataset.prefetch(buffer_size=batch_size*10)
dataset = dataset.repeat(num_epochs)

# Batch first to create a vector of strings as input to the map(). 
dataset = dataset.batch(batch_size)

def parse_tfrecord_batch(record_batch):
  features = tf.parse_example(
      record_batch,
      features=tf.feature_column.make_parse_example_spec(
          columns + [
              tf.feature_column.numeric_column(
                  'label', dtype=tf.float32, default_value=0)]))
  labels = features.pop('label')
  return features, labels

# NOTE: Parallelism might not be as useful, because the individual map function now does
# more work per invocation, but you might want to experiment with this.
dataset = dataset.map(parse_tfrecord_batch)

# Add a prefetch at the end to pipeline execution.
dataset = dataset.prefetch(1)

features, labels = dataset.make_one_shot_iterator().get_next()    
# ...

编辑 (2018/6/18) : 要从评论中回答您的问题:

1. Why is dataset.map(parse_tfrecord, ...) O(batch_size * num_columns), not O(batch_size)? If parsing requires enumeration of the columns, why doesn't parse_example take O(num_columns)?

当您将 TensorFlow 代码包装在 Dataset.map() 中时(或其他函数转换)每个输出的恒定数量的额外操作被添加到函数的“返回”值中，并且(在 tf.SparseTensor 值的情况下)将它们“转换”为标准格式。当您直接传递 tf.parse_example() 的输出时对于模型的输入，不会添加这些操作。虽然它们是非常小的操作，但执行如此多的操作可能会成为瓶颈。 (从技术上讲，解析确实需要 O( batch_size * num_columns ) 时间 ，但是解析中涉及的常量比执行操作要小得多。)

2. Why do you add a prefetch at the end of the pipeline?

当您对性能感兴趣时，这几乎总是最好的做法，它应该会提高管道的整体性能。有关最佳实践的更多信息，请参阅 performance guide for tf.data .