Tensorflow 2大约需要15分钟来制作其静态图(或在第一遍之前进行的操作)。此后的训练时间是正常的,但显然很难尝试等待15分钟的反馈。
生成器编码器和鉴别器是Keras模型中具有GRU单元的RNN(未展开)。
生成器解码器的定义和调用方式如下:
class GeneratorDecoder(tf.keras.layers.Layer):
def __init__(self, feature_dim):
super(GeneratorDecoder, self).__init__()
self.cell = tf.keras.layers.GRUCell(
GRUI_DIM, activation='tanh', recurrent_activation='sigmoid',
dropout=DROPOUT, recurrent_dropout=DROPOUT)
self.batch_normalization = tf.keras.layers.BatchNormalization()
self.dense = tf.keras.layers.Dense(
feature_dim, activation='tanh')
@tf.function
def __call__(self, z, timesteps, training):
# z has shape (batch_size, features)
outputs = []
output, state = z, z
for i in range(timesteps):
output, state = self.cell(inputs=output, states=state,
training=training)
dense_output = self.dense(
self.batch_normalization(output))
outputs.append(dense_output)
return outputs
这是我的训练循环(mask_gt和missing_data变量是使用tf.cast强制转换的,因此应该已经是张量):
for it in tqdm(range(NO_ITERATIONS)):
print(it)
train_step()
@tf.function
def train_step():
with tf.GradientTape(persistent=True) as tape:
generator_output = generator(missing_data, training=True)
imputed_data = get_imputed_data(missing_data, generator_output)
mask_pred = discriminator(imputed_data)
D_loss = discriminator.loss(mask_pred, mask_gt)
G_loss = generator.loss(missing_data, mask_gt,
generator_output, mask_pred)
gen_enc_grad = tape.gradient(
G_loss, generator.encoder.trainable_variables)
gen_dec_grad = tape.gradient(
G_loss, generator.decoder.trainable_variables)
disc_grad = tape.gradient(
D_loss, discriminator.model.trainable_variables)
del tape
generator.optimizer.apply_gradients(
zip(gen_enc_grad, generator.encoder.trainable_variables))
generator.optimizer.apply_gradients(
zip(gen_dec_grad, generator.decoder.trainable_variables))
discriminator.optimizer.apply_gradients(
zip(disc_grad, discriminator.model.trainable_variables))
请注意,在几秒钟内将打印出“ 0”,因此速度较慢的部分肯定不会更早。 这就是被称为的get_imputed_data函数:
def get_imputed_data(incomplete_series, generator_output):
return tf.where(tf.math.is_nan(incomplete_series), generator_output, incomplete_series)
谢谢您的回答!希望我提供的代码足够多,可以使您了解问题所在。这是我阅读至少五年后第一次在这里发表文章:)
我使用Python 3.6和Tensorflow 2.1。
答案 0 :(得分:1)
通过删除生成器和鉴别器的调用函数的tf.function装饰器解决了该问题。我在两个tf.function装饰函数中使用了单个全局python标量(迭代号)。这导致每次都创建一个新图(请参见警告in the tf.function docs)。
解决方案是删除使用的python变量或将它们转换为tensorflow变量。