Question

在摆弄TensorFlow时，我注意到一个相对简单的任务（对我们的3D加速度计数据进行批处理并获取每个时期的总和）的性能相对较差。这是我运行的精髓，一旦我得到了（令人难以置信的漂亮！）Timeline功能：

import numpy as np
import tensorflow as tf
from tensorflow.python.client import timeline

# Some dummy functions to compute "features" from the data

def compute_features( data ):
    feature_functions = [
        lambda x: test_sum( x, axis = 0 ),
        lambda x: test_sum( x, axis = 1 ),
        lambda x: test_sum( x, axis = 2 ),
    ]
    return tf.convert_to_tensor( [ f( data ) for f in feature_functions ] )

def test_sum( data, axis = 0 ):
    t, v = data
    return tf.reduce_sum( v[:, axis] )


# Setup for using Timeline
sess = tf.Session()
run_options = tf.RunOptions( trace_level = tf.RunOptions.FULL_TRACE )
run_metadata = tf.RunMetadata()

# Some magic numbers for our dataset
test_sampling_rate = 5000.0
segment_size = int( 60 * test_sampling_rate )

# Load the dataset
with np.load( 'data.npz' ) as data:
    t_raw = data['t']
    v_raw = data['v']

# Build the iterator
full_dataset = tf.data.Dataset.from_tensor_slices( (t_raw, v_raw) ).batch( segment_size )
dataset_iterator = full_dataset.make_initializable_iterator()
next_datum = dataset_iterator.get_next()

sess.run( dataset_iterator.initializer )
i = 0
while True:
    try:
        print( sess.run( compute_features( next_datum ), options = run_options,
                                                         run_metadata = run_metadata ) )
        # Write Timeline data to a file for analysis later
        tl = timeline.Timeline( run_metadata.step_stats )
        ctf = tl.generate_chrome_trace_format()
        with open( 'timeline_{0}.json'.format( i ), 'w' ) as f:
            f.write( ctf )
        i += 1
    except tf.errors.OutOfRangeError:
        break

在Chrome中将其拉出来，我发现在每次迭代中，IteratorGetNext在绝大部分时间都在吃饭：

Screenshot of Chrome displaying the timeline for one iteration

正如您所看到的，计算的“主要”部分被推入右侧的微小部分，而此周期的绝大部分时间都被卡在IteratorGetNext中。

我想知道我是否遗漏了任何明显的东西，就我构建我的图形的方式而言，这会导致性能在这一步骤中如此恶劣地降低。我有点难过为什么这个设置表现如此糟糕。

Answer 1

如果IteratorGetNext在时间轴中显示为大事件，那么您的模型在输入处理上会出现瓶颈。在这种情况下，管道非常简单，但是将300,000个元素复制到批处理中是瓶颈。您可以通过向数据集定义添加Dataset.prefetch(1)转换来将此副本移出关键路径：

full_dataset = (tf.data.Dataset.from_tensor_slices((t_raw, v_raw))
                .batch(segment_size)
                .prefetch(1))

有关更多效果建议，请参阅tensorflow.org上的新Input Pipeline Performance Guide。

PS。在循环中调用compute_features(next_datum)会导致图形增长，并且循环会随着时间的推移而减慢。如下重写它将更有效：

next_computed_features = compute_features(next_datum)
while True:
    try:
        print(sess.run(next_computed_features, options=run_options,
                       run_metadata=run_metadata))
        # ...
    except tf.errors.OutOfRangeError:
        break

IteratorGetNext上的TensorFlow性能瓶颈

1 个答案: