深度神经网络须要很长时间来训练。训练速度受模型的复杂性、批大小、GPU、训练数据集的大小等因素的影响。
在PyTorch中，torch.utils.data.Dataset和torch.utils.data.DataLoader通常用于加载数据集和生成批处理。然而从版本1.11开始，PyTorch引入了TorchData库，它实现了一种不同的加载数据集的办法。
在本文中，咱们将比拟数据集比拟大的状况下这两两种办法是如何工作的。咱们以CelebA和DigiFace1M的面部图像为例。表1显示了它们的比拟特色。咱们训练应用ResNet-50模型。而后进行1轮的训练来进行应用办法和工夫的比拟。
数据集的信息如下：
CelebA (align) 图片数：202,599 总大小：1.4 图片大小：178x218
DigiFace1M 图片数：720,000 总大小：14.6 图片大小：112x112
咱们应用的环境如下：
CPU: Intel(R) Core(TM) i9-9900K CPU @ 3.60GHz(16核)
GPU: GeForce RTX 2080 Ti 11Gb
驱动版本515.65.01 / CUDA 11.7 / CUDNN 8.4.0.27
Docker 20.10.21
Pytorch 1.12.1
TrochData 0.4.1
训练的代码如下：
def train(data_loader: torch.utils.data.DataLoader, cfg: Config): # create model model = resnet50(num_classes=cfg.n_celeba_classes + cfg.n_digiface1m_classes, pretrained=True) torch.cuda.set_device(cfg.gpu) model = model.cuda(cfg.gpu) model.train() # define loss function (criterion) and optimizer criterion = torch.nn.CrossEntropyLoss().cuda(cfg.gpu) optimizer = torch.optim.SGD(model.parameters(), lr=0.1, momentum=0.9, weight_decay=1e-4) start_time = time.time() for _ in range(cfg.epochs): scaler = torch.cuda.amp.GradScaler(enabled=cfg.use_amp) for batch_idx, (images, target) in enumerate(data_loader): images = images.cuda(cfg.gpu, non_blocking=True) target = target.cuda(cfg.gpu, non_blocking=True) # compute output with torch.cuda.amp.autocast(enabled=cfg.use_amp): output = model(images) loss = criterion(output, target) # compute gradient scaler.scale(loss).backward() # do SGD step scaler.step(optimizer) scaler.update() optimizer.zero_grad() print(batch_idx, loss.item()) print(f'{time.time() - start_time} sec')Dataset
首先看看Dataset,这是自从Pytorch公布以来始终应用的形式，咱们对这个应该十分相熟。PyTorch 反对两种类型的数据集：map-style Datasets 和 iterable-style Datasets。Map-style Dataset 在事后晓得元素个数的状况下应用起来很不便。该类实现了__getitem__()和__len__()办法。如果通过索引读取太费时间或者无奈取得，那么能够应用 iterable-style，须要实现__iter__() 办法。在咱们的例子中，map-style曾经能够了，因为对于 CelebA 和 DigiFace1M 数据集，咱们晓得其中的图像总数。
上面咱们创立CelebADataset 类。对于 CelebA，类标签位于 identity_CelebA.txt 文件中。CelebA 和 DigiFace1M 中的面部图像在裁剪方面有所不同，因而为了在图像上传后缩小getitem办法中的这些差别，必须从各个方面略微裁剪它们。
from PIL import Image from torch.utils.data import Dataset class CelebADataset(torch.utils.data.Dataset): def __init__(self, data_path: str, transform) -> None: self.data_path = data_path self.transform = transform self.image_names, self.labels = self.load_labels(f'{data_path}/identity_CelebA.txt') def __len__(self) -> int: return len(self.image_names) def __getitem__(self, idx: int) -> Tuple[torch.Tensor, int]: image_path = f'{self.data_path}/img_align_celeba/{self.image_names[idx]}' image = Image.open(image_path) left, right, top, bottom = 25, 153, 45, 173 image = image.crop((left, top, right, bottom)) if self.transform is not None: image = self.transform(image) label = self.labels[idx] return image, label @staticmethod def load_labels(labels_path: str) -> Tuple[list, list]: image_names, labels = [], [] with open(labels_path, 'r', encoding='utf-8') as labels_file: lines = labels_file.readlines() for line in lines: file_name, class_id = line.split(' ') image_names.append(file_name) labels.append(int(class_id[:-1])) return image_names, labels对于DigiFace1M数据集，同一类的所有图像都在一个独自的文件夹中。然而这两个数据集中，类的标签是雷同的，所以对于在DigiFace1M咱们不须要获取类别，而是在CelebA中按类减少。所以咱们须要add_to_class变量。另外就是DigiFace1M中的图像以“RGBA”格局存储，因而仍需将其转换为“RGB”。
class DigiFace1M(torch.utils.data.Dataset): def __init__(self, data_path: str, transform, add_to_class: int = 0) -> None: self.data_path = data_path self.transform = transform self.image_paths, self.labels = self.load_labels(data_path, add_to_class) def __len__(self): return len(self.image_paths) def __getitem__(self, idx: int) -> Tuple[torch.Tensor, int]: image = Image.open(self.image_paths[idx]).convert('RGB') if self.transform is not None: image = self.transform(image) label = self.labels[idx] return image, label @staticmethod def load_labels(data_path: str, add_to_class: int) -> Tuple[list, list]: image_paths, labels = [], [] for root, _, files in os.walk(data_path): for file_name in files: if file_name.endswith('.png'): image_paths.append(f'{root}/{file_name}') labels.append(int(os.path.basename(root)) + add_to_class) return image_paths, labels当初咱们能够应用torch.utils.data将两个数据汇合并为一个数据集ConcatDataset，创立DataLoader，开始训练。
def main(): cfg = Config() celeba_dataset = CelebADataset(f'{cfg.data_path}/CelebA', cfg.transform) digiface_dataset = DigiFace1M(f'{cfg.data_path}/DigiFace1M', cfg.transform, cfg.n_celeba_classes) dataset = torch.utils.data.ConcatDataset([celeba_dataset, digiface_dataset]) loader = torch.utils.data.DataLoader( dataset=dataset, batch_size=cfg.batch_size, shuffle=True, drop_last=True, num_workers=cfg.n_workers) utils.train(loader, cfg)TorchData API
与Dataset一样，TorchData反对map-style 和 iterable-style的数据处理管道。然而官网倡议应用IterDataPipe，只在必要时将其转换为MapDataPipe。
因为TorchData提供了优化的数据加载实用程序，能够帮忙咱们不便的构建解决流程。以下是一些次要的性能:
- IterableWrapper：包装可迭代对象以创立IterDataPipe。
- FileListerr：给定目录的门路，将生成根目录内文件的文件路径名(path + filename)
- Filterr：依据输出filter_fn(函数名:filter)从源数据口过滤元素
- Mapperr：对源DataPipe中的每个项利用函数(函数名:map)
- Concaterr：连贯多个可迭代数据管道(函数名:concat)
- Shufflerr：打乱输出DataPipe数据的程序(函数名:shuffle)
- ShardingFilterr：容许对DataPipe进行分片(函数名:sharding_filter)
应用TorchData 构建CelebA和DigiFace1M的数据处理管道，咱们须要执行以下步骤:
对于CelebA数据集：创立一个列表(file_name, label， ' CelebA ')，并应用IterableWrapper从它创立一个IterDataPipe
对于DigiFace1M：应用FileLister创立一个IterDataPipe，返回所有图像文件的门路，应用Mapper来应用collate_ann。这个函数以图像门路作为输出，并返回元组(file_name, label， ' DigiFace1M ')。
下面两个步骤之后，咱们失去两个数据类型(file_name, label, data_name)的后果。而后应用Concater将它们连贯到一个数据管道中。
应用Shufflerr，打乱程序，这与在DataLoader中设置了shuffle=True是一样的。
应用ShardingFilter将数据管道宰割成片。每个worker将领有原始DataPipe元素的n个局部，其中n等于worker的数量。（多线程解决，DataLoader中的num_worker）
最初就是从磁盘读取图像
残缺代码如下：
@torchdata.datapipes.functional_datapipe("load_image") class ImageLoader(torchdata.datapipes.iter.IterDataPipe): def __init__(self, source_datapipe, **kwargs) -> None: self.source_datapipe = source_datapipe self.transform = kwargs['transform'] def __iter__(self) -> Tuple[torch.Tensor, int]: for file_name, label, data_name in self.source_datapipe: image = Image.open(file_name) if data_name == 'DigiFace1M': image = image.convert('RGB') elif data_name == 'CelebA': left, right, top, bottom = 25, 153, 45, 173 image = image.crop((left, top, right, bottom)) if self.transform is not None: image = self.transform(image) yield image, label def collate_ann(file_path): label = int(os.path.basename(os.path.dirname(file_path))) + N_CELEBA_CLASSES data_name = os.path.basename(os.path.dirname(os.path.dirname(file_path))) return file_path, label, data_name def load_celeba_labels(labels_path: str) -> Dict[str, int]: labels = [] data_path = os.path.split(labels_path)[0] with open(labels_path, 'r', encoding='utf-8') as labels_file: lines = labels_file.readlines() for line in lines: file_name, class_id = line.split(' ') class_id = int(class_id[:-1]) labels.append((f'{data_path}/img_align_celeba/{file_name}', class_id, 'CelebA')) return labels def build_datapipes(cfg: Config) -> torchdata.datapipes.iter.IterDataPipe: celeba_dp = torchdata.datapipes.iter.IterableWrapper( load_celeba_labels( labels_path=f'{cfg.data_path}/CelebA/identity_CelebA.txt')) digiface_dp = torchdata.datapipes.iter.FileLister(f'{cfg.data_path}/DigiFace1M', masks='*.png', recursive=True) digiface_dp = digiface_dp.map(collate_ann) datapipe = celeba_dp.concat(digiface_dp) datapipe = datapipe.shuffle(buffer_size=100000) datapipe = datapipe.sharding_filter() datapipe = datapipe.load_image(transform=cfg.transform) return datapipeTorch的DataLoader是同时反对Datasets和DataPipe的，所以咱们能够间接应用
def main(): cfg = Config() datapipe = build_datapipes(cfg) loader = torch.utils.data.DataLoader( dataset=datapipe, batch_size=cfg.batch_size, shuffle=True, drop_last=True, num_workers=cfg.n_workers) utils.train(loader, cfg)减速数据读取的一个小技巧
批处理中耗时最长的操作之一是从磁盘读取图片。为了缩小这个操作所破费的工夫，能够加载所有图像并将它们宰割成小的数据集，例如10,000张图像保留为.pickle文件。在读取时每一个worker只有读取一个相应的pickle文件即可
def prepare_data(): cfg = Config() cfg.transform = None os.makedirs(cfg.prepared_data_path, exist_ok=True) celeba_dataset = dataset_example.CelebADataset(f'{cfg.data_path}/CelebA', cfg.transform) digiface_dataset = dataset_example.DigiFace1M(f'{cfg.data_path}/DigiFace1M', cfg.transform, cfg.n_celeba_classes) dataset = torch.utils.data.ConcatDataset([celeba_dataset, digiface_dataset]) shard_size = 10000 next_shard = 0 data = [] shuffled_idxs = np.arange(len(dataset)) np.random.shuffle(shuffled_idxs) for idx in tqdm(shuffled_idxs): data.append(dataset[idx]) if len(data) == shard_size: with open(f'{cfg.prepared_data_path}/{next_shard}_shard.pickle', 'wb') as _file: pickle.dump(data, _file) next_shard += 1 data = [] with open(f'{cfg.prepared_data_path}/{next_shard}_shard.pickle', 'wb') as _file: pickle.dump(data, _file)上面就是应用FileLister收集.pickle数据集的所有门路，按worker划分并在每个worker上加载.pickle数据。
@torchdata.datapipes.functional_datapipe("load_pickle_data") class PickleDataLoader(torchdata.datapipes.iter.IterDataPipe): def __init__(self, source_datapipe, **kwargs) -> None: self.source_datapipe = source_datapipe self.transform = kwargs['transform'] def __iter__(self) -> Tuple[torch.Tensor, int]: for file_name in self.source_datapipe: with open(file_name, 'rb') as _file: pickle_data = pickle.load(_file) for image, label in pickle_data: image = self.transform(image) yield image, label def build_datapipes(cfg: Config) -> torchdata.datapipes.iter.IterDataPipe: datapipe = torchdata.datapipes.iter.FileLister(cfg.prepared_data_path, masks='*.pickle') datapipe = datapipe.shuffle() datapipe = datapipe.sharding_filter() datapipe = datapipe.load_pickle_data(transform=cfg.transform) return datapipe数据加载比照
咱们比拟三种不同数据加载办法。对于所有测试，batch_size = 600。
n workersDatasets, secDataPipes, secDataPipe + pickle, sec10 3581 7986 7585 10034 2993 760
当在未筹备好的数据上应用DataPipe进行训练时(不应用pickle)，前几百个批次生成十分快，GPU使用率简直是100%，但随后速度逐步降落，这种办法甚至比应用n_workers=10的数据集还要慢。尽管我了解这两种办法的速度是一样的因为执行的操作是一样的，但实际上却不一样
DataLoader的最佳n_workers没有一个固定值，因为这取决于工作(图像大小，图像预处理的复杂性等等)和计算机配置(HDD vs SSD)。
当在有大量小图像的数据集上训练时，做数据的筹备是必要的的，比方将小文件组合成几个大文件，这样能够缩小从磁盘读取数据的工夫。然而应用这种办法须要在将数据写入shard之前彻底打乱数据，来防止学习收敛性好转。还须要抉择正当的shard大小（它应该足够大以避免磁盘问题并且足够小以无效地应用datappipes中的Shuffler打乱数据）。
最初本文的代码在这里，有趣味的能够自行测试比拟：
https://avoid.overfit.cn/post/d431289d4723430b882e189008aeb959
作者：Karina Ovchinnikova