如何在 RNN TensorFlow 中使用非常大的数据集？

Question

我有一个非常大的数据集：7.9 GB 的 CSV 文件。其中80%作为训练数据，其余20%作为测试数据。当我加载训练数据 (6.2 GB) 时，我在第 80 次迭代（第 80 个文件）时有 MemoryError。这是我在加载数据时使用的脚本：

import pandas as pd
import os

col_names = ['duration', 'service', 'src_bytes', 'dest_bytes', 'count', 'same_srv_rate',
        'serror_rate', 'srv_serror_rate', 'dst_host_count', 'dst_host_srv_count',
        'dst_host_same_src_port_rate', 'dst_host_serror_rate', 'dst_host_srv_serror_rate',
        'flag', 'ids_detection', 'malware_detection', 'ashula_detection', 'label', 'src_ip_add',
        'src_port_num', 'dst_ip_add', 'dst_port_num', 'start_time', 'protocol']

# create a list to store the filenames
files = []

# create a dataframe to store the contents of CSV files
df = pd.DataFrame()

# get the filenames in the specified PATH
for (dirpath, dirnames, filenames) in os.walk(path):
    ''' Append to the list the filenames under the subdirectories of the <path> '''
    files.extend(os.path.join(dirpath, filename) for filename in filenames)

for file in files:
    df = df.append(pd.read_csv(filepath_or_buffer=file, names=col_names, engine='python'))
    print('Appending file : {file}'.format(file=files[index]))

pd.set_option('display.max_colwidth', -1)
print(df)

在 6.2 GB 的 CSV 文件中有 130 个文件。

Answer 1

对于大型数据集——我们可能已经将 6.2GB 算作大数据集——一次读取所有数据可能不是最好的主意。无论如何，由于您要逐批训练您的网络，因此只需加载下一批将要使用的批次所需的数据就足够了。

tensorflow documentation 很好地概述了如何实现数据读取管道。根据链接的文档的阶段是：

The list of filenames

Optional filename shuffling

Optional epoch limit

Filename queue

A Reader for the file format

A decoder for a record read by the reader

Optional preprocessing

Example queue

Answer 2

我赞同 Nyps 的回答，只是我还没有足够的声誉来添加评论。此外，打开任务管理器或类似工具并在运行时观察系统的内存使用情况可能会很有趣。我猜想当您的 RAM 完全填满时，就是您遇到错误的时候。

TensorFlow 支持队列，允许您一次只读取部分数据，以免耗尽内存。这方面的示例在 Nyps 链接的文档中。此外，TensorFlow 最近在 TensorFlow Dataset docs.

中添加了一种处理输入数据集的新方法

此外，我建议将您的所有数据转换为 TensorFlow 的 TFRecord 格式，因为它会节省 space，并且与在训练时将 CSV 文件转换为张量相比，可以将数据访问速度提高 100 倍以上。

如何在 RNN TensorFlow 中使用非常大的数据集？

How to use very large dataset in RNN TensorFlow?

machine-learning

dataset

data-processing

pandas

tensorflow