我正在处理内存不足的大型数据集,并且我已经介绍了Dask数据帧。我从文档中了解到Dask没有将整个数据集加载到内存中。相反,它创建了多个线程,这些线程将根据需要从磁盘中获取记录。所以我认为keras模型的批量大小= 500,在训练时它应该只有500条记录在内存中。但是当我开始训练的时候。它需要永远。可能我做错了。请建议。
训练数据的形状:1000000 * 1290
import glob
import dask.dataframe
paths_train = glob.glob(r'x_train_d_final*.csv')
X_train_d = dd.read_csv('.../x_train_d_final0.csv')
Y_train1 = keras.utils.to_categorical(Y_train.iloc[,1], num_classes)
batch_size = 500
num_classes = 2
epochs = 5
model = Sequential()
model.add(Dense(645, activation='sigmoid', input_shape=(1290,),kernel_initializer='glorot_normal'))
#model.add(Dense(20, activation='sigmoid',kernel_initializer='glorot_normal'))
model.add(Dense(num_classes, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer=Adam(decay=0),
metrics=['accuracy'])
history = model.fit(X_train_d.to_records(), Y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
class_weight = {0:1,1:6.5},
shuffle=False)
答案 0 :(得分:5)
您应该使用Sequential model中的fit_generator()
与生成器或Sequence实例。两者都提供了仅加载一部分数据的正确方法。
Keras docs提供了一个很好的例子:
def generate_arrays_from_file(path):
while 1:
f = open(path)
for line in f:
# create Numpy arrays of input data
# and labels, from each line in the file
x, y = process_line(line)
yield (x, y)
f.close()
model.fit_generator(generate_arrays_from_file('/my_file.txt'),
steps_per_epoch=1000, epochs=10)
答案 1 :(得分:2)
今天Keras不了解Dask数据帧或数组。我怀疑它只是将dask对象转换为等效的Pandas或Numpy对象。
如果您的Keras模型可以逐步训练,那么您可以使用dask.delayed和一些for循环解决此问题。
最终,很高兴看到Keras和Dask项目能够更多地了解彼此,以便在没有过多工作的情况下促进这些工作负载。