Как обрабатывать большие объемы данных в тензорном потоке?

Question

Для моего проекта у меня есть большие объемы данных, около 60 ГБ в виде файлов npy, каждый из которых содержит около 1 ГБ, каждый из которых содержит около 750 000 записей и меток.

Каждая запись - 345 float32, а метки - 5 float32.

Я также прочитал документацию по набору данных tenorflow и документацию очередей / потоков, но я не могу понять, как лучше всего обрабатывать ввод для обучения, а затем как сохранить модель и веса для будущего прогнозирования.

Моя модель довольно прямолинейна, выглядит так:

x = tf.placeholder(tf.float32, [None, 345], name='x')
y = tf.placeholder(tf.float32, [None, 5], name='y')
wi, bi = weight_and_bias(345, 2048)
hidden_fc = tf.nn.sigmoid(tf.matmul(x, wi) + bi)
wo, bo = weight_and_bias(2048, 5)
out_fc = tf.nn.sigmoid(tf.matmul(hidden_fc, wo) + bo)
loss = tf.reduce_mean(tf.squared_difference(y, out_fc))
train_op = tf.train.AdamOptimizer().minimize(loss)

То, как я тренировал свою нейронную сеть, читало файлы по одному в случайном порядке, затем использовал перетасованный массив numpy для индексации каждого файла и вручную создавал каждый пакет для подачи train_op с помощью feed_dict, Из всего, что я прочитал, это очень неэффективно, и я должен как-то заменить его наборами данных или очередями и потоками, но, как я уже сказал, документация не помогла.

Итак, как лучше всего обрабатывать большие объемы данных в тензорном потоке?

Также, для справки, мои данные были сохранены в простой файл в 2 этапа:

with open('datafile1.npy', 'wb') as fp:
    np.save(data, fp)
    np.save(labels, fp)

Answer 1

Утилиты для npy файлы действительно выделяют весь массив в памяти. Я бы порекомендовал вам конвертировать все ваши массивы NumPy в TFRecords форматировать и использовать эти файлы в процессе обучения. Это один из наиболее эффективных способов чтения большого набора данных в тензорном потоке.

Преобразовать вTFRecords

def array_to_tfrecords(X, y, output_file):
  feature = {
    'X': tf.train.Feature(float_list=tf.train.FloatList(value=X.flatten())),
    'y': tf.train.Feature(float_list=tf.train.FloatList(value=y.flatten()))
  }
  example = tf.train.Example(features=tf.train.Features(feature=feature))
  serialized = example.SerializeToString()

  writer = tf.python_io.TFRecordWriter(output_file)
  writer.write(serialized)
  writer.close()

Полный пример работы с изображениями можно найти здесь.

ЧитатьTFRecordDataset

def parse_proto(example_proto):
  features = {
    'X': tf.FixedLenFeature((345,), tf.float32),
    'y': tf.FixedLenFeature((5,), tf.float32),
  }
  parsed_features = tf.parse_single_example(example_proto, features)
  return parsed_features['X'], parsed_features['y']

def read_tfrecords(file_names=("file1.tfrecord", "file2.tfrecord", "file3.tfrecord"),
                   buffer_size=10000,
                   batch_size=100):
  dataset = tf.contrib.data.TFRecordDataset(file_names)
  dataset = dataset.map(parse_proto)
  dataset = dataset.shuffle(buffer_size)
  dataset = dataset.repeat()
  dataset = dataset.batch(batch_size)
  return tf.contrib.data.Iterator.from_structure(dataset.output_types, dataset.output_shapes)

Руководство по данным можно найти здесь.