tensorflow - descargar - paralelizando tf.data.Dataset.from_generator

tensorflow dataset batch

Question

Tengo un from_generator entrada no trivial que from_generator es perfecto para ...

dataset = tf.data.Dataset.from_generator(complex_img_label_generator,
                                        (tf.int32, tf.string))
dataset = dataset.batch(64)
iter = dataset.make_one_shot_iterator()
imgs, labels = iter.get_next()

Donde complex_img_label_generator genera dinámicamente imágenes y devuelve una matriz numpy que representa una imagen (H, W, 3) y una etiqueta de string simple. El procesamiento no es algo que pueda representar como lectura de archivos y operaciones de imagen.

Mi pregunta es acerca de cómo paralizar el generador? ¿Cómo tengo N de estos generadores corriendo en sus propios hilos?

Un pensamiento fue usar num_parallel_calls con num_parallel_calls para manejar el subproceso; pero el mapa opera con tensores ... Otro pensamiento fue crear múltiples generadores, cada uno con su propia prefetch y unirlos de alguna manera, pero ¿no puedo ver cómo me uniría a los generadores de N?

¿Algún ejemplo canónico que pudiera seguir?

Answer 1

Estoy trabajando en un from_indexable para tf.data.Dataset https://github.com/tensorflow/tensorflow/issues/14448

La ventaja para from_indexable es que puede ser paralelizado, mientras que un generador de python no puede ser paralelizado.

La función from_indexable hace un tf.data.range , envuelve el indexable en un tf.py_func generalizado y llama al mapa.

Para aquellos que quieren ahora un from_indexable , aquí el código lib

import tensorflow as tf
import numpy as np

from tensorflow.python.framework import tensor_shape
from tensorflow.python.util import nest

def py_func_decorator(output_types=None, output_shapes=None, stateful=True, name=None):
    def decorator(func):
        def call(*args):
            nonlocal output_shapes

            flat_output_types = nest.flatten(output_types)
            flat_values = tf.py_func(
                func, 
                inp=args, 
                Tout=flat_output_types,
                stateful=stateful, name=name
            )
            if output_shapes is not None:
                # I am not sure if this is nessesary
                output_shapes = nest.map_structure_up_to(
                    output_types, tensor_shape.as_shape, output_shapes)
                flattened_shapes = nest.flatten_up_to(output_types, output_shapes)
                for ret_t, shape in zip(flat_values, flattened_shapes):
                    ret_t.set_shape(shape)
            return nest.pack_sequence_as(output_types, flat_values)
        return call
    return decorator

def from_indexable(iterator, output_types, output_shapes=None, num_parallel_calls=None, stateful=True, name=None):
    ds = tf.data.Dataset.range(len(iterator))
    @py_func_decorator(output_types, output_shapes, stateful=stateful, name=name)
    def index_to_entry(index):
        return iterator[index]    
    return ds.map(index_to_entry, num_parallel_calls=num_parallel_calls)

y aquí un ejemplo (Nota: from_indexable tiene un argument num_parallel_calls)

class PyDataSet:
    def __len__(self):
        return 20

    def __getitem__(self, item):
        return np.random.normal(size=(item+1, 10))

ds = from_indexable(PyDataSet(), output_types=tf.float64, output_shapes=[None, 10])
it = ds.make_one_shot_iterator()
entry = it.get_next()
with tf.Session() as sess:
    print(sess.run(entry).shape)
    print(sess.run(entry).shape)

Actualización del 10 de junio de 2018: dado que https://github.com/tensorflow/tensorflow/pull/15121 se fusiona, el código para from_indexable simplifica a:

import tensorflow as tf

def py_func_decorator(output_types=None, output_shapes=None, stateful=True, name=None):
    def decorator(func):
        def call(*args, **kwargs):
            return tf.contrib.framework.py_func(
                func=func, 
                args=args, kwargs=kwargs, 
                output_types=output_types, output_shapes=output_shapes, 
                stateful=stateful, name=name
            )
        return call
    return decorator

def from_indexable(iterator, output_types, output_shapes=None, num_parallel_calls=None, stateful=True, name=None):
    ds = tf.data.Dataset.range(len(iterator))
    @py_func_decorator(output_types, output_shapes, stateful=stateful, name=name)
    def index_to_entry(index):
        return iterator[index]    
    return ds.map(index_to_entry, num_parallel_calls=num_parallel_calls)

Answer 2

Limitar el trabajo realizado en el generator a un mínimo y paralelizar el procesamiento costoso utilizando un map es sensato.

Alternativamente, puede "unir" varios generadores usando parallel_interleave siguiente manera:

def generator(n): # returns n-th generator function def dataset(n): return tf.data.Dataset.from_generator(generator(n)) ds = tf.data.Dataset.range(N).apply(tf.contrib.data.parallel_interleave(dataset, cycle_lenght=N)) # where N is the number of generators you use

Answer 3

Resulta que puedo usar Dataset.map si hago que el generador sea súper liviano (solo genere metadatos) y luego muevo la iluminación intensa real a una función sin estado. De esta manera puedo paralelizar solo la parte pesada con .map usando un py_func .

Trabajos; pero se siente un poco torpe ... Sería genial poder simplemente agregar num_parallel_calls a from_generator :)

def pure_numpy_and_pil_complex_calculation(metadata, label):
  # some complex pil and numpy work nothing to do with tf
  ...

dataset = tf.data.Dataset.from_generator(lightweight_generator,
                                         output_types=(tf.string,   # metadata
                                                       tf.string))  # label

def wrapped_complex_calulation(metadata, label):
  return tf.py_func(func = pure_numpy_and_pil_complex_calculation,
                    inp = (metadata, label),
                    Tout = (tf.uint8,    # (H,W,3) img
                            tf.string))  # label
dataset = dataset.map(wrapped_complex_calulation,
                      num_parallel_calls=8)

dataset = dataset.batch(64)
iter = dataset.make_one_shot_iterator()
imgs, labels = iter.get_next()