Question

我有一个声明为以下代码的Keras模型：

model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(units=50, activation="tanh", return_sequences=False, input_shape=(settings["past_size"], len(indicators_used))))
model.add(tf.keras.layers.Dense(3, activation="softmax"))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
history = model.fit_generator(
    generator=batch_generator(train_x, train_y),
    steps_per_epoch=n_batches_per_epoch,
    epochs=settings["epochs"],
    workers=5,
    use_multiprocessing=True,
    max_queue_size=10000)

我尝试了workers，use_multiprocessing和max_queue_size设置，但无济于事。输入形状为(100000, 500, 27)。

批处理生成器功能如下：

def batch_generator(x, y):
    while True:
        for i in range(n_batches_per_epoch):
            x_train = []
            y_train = []
            for j in range(settings["past_size"] + settings["batch_size"] * i, settings["past_size"] + (settings["batch_size"] * (i + 1))):
                x_train.append(x.iloc[j - past_size:j].to_numpy())
                y_train.append(y.iloc[j].to_numpy())
            return_x, return_y = np.array(x_train), np.array(y_train)
            yield return_x, return_y

执行时间：

批量大小256：767ms/step
批量大小512：1s/step
批量大小1024：2s/step

我现在面临的问题是Keras培训过程非常缓慢。一个纪元大约需要45分钟。我不能使用model.fit()，因为数据对于RAM来说太大。

我对batch_generator功能的理解是，该功能可以准备批次并将其加载到GPU / TPU上，但事实并非如此。该代码在TPU运行时中在Google Colab中运行。

Answer 1

在Google colab环境中，您需要将模型显式转换为TPU兼容版本。这是我上次与Google Colab合作时的错误。

TPU_WORKER = 'grpc://' + os.environ['COLAB_TPU_ADDR']
tpu_model = tf.contrib.tpu.keras_to_tpu_model(
    model,
    strategy=tf.contrib.tpu.TPUDistributionStrategy(
    tf.contrib.cluster_resolver.TPUClusterResolver(TPU_WORKER)))

tpu_model与model具有相同的界面。

指南： https://medium.com/tensorflow/tf-keras-on-tpus-on-colab-674367932aa0

不幸的是，这似乎不适用于Sequential API。

Keras fit_generator运行非常缓慢

1 个答案: