如何让数据生成器更有效率？

Question

为了训练神经网络，我修改了在 YouTube 上找到的一段代码。看起来如下：

def data_generator(samples, batch_size, shuffle_data = True, resize=224):
  num_samples = len(samples)
  while True:
    random.shuffle(samples)

    for offset in range(0, num_samples, batch_size):
      batch_samples = samples[offset: offset + batch_size]

      X_train = []
      y_train = []

      for batch_sample in batch_samples:
        img_name = batch_sample[0]
        label = batch_sample[1]
        img = cv2.imread(os.path.join(root_dir, img_name))

        #img, label = preprocessing(img, label, new_height=224, new_width=224, num_classes=37)
        img = preprocessing(img, new_height=224, new_width=224)
        label = my_onehot_encoded(label)

        X_train.append(img)
        y_train.append(label)

      X_train = np.array(X_train)
      y_train = np.array(y_train)

      yield X_train, y_train

现在，我尝试使用此代码训练神经网络，训练样本大小为 105.000（图像文件包含 37 种可能性中的 8 个字符，A-Z、0-9 和空白 space）。我使用了相对较小的批次大小（32，我认为这已经太小了）来提高效率，但是训练第一个时期的四分之一却花了很长时间（我每个时期有 826 步，花了 90 分钟共 199 步...steps_per_epoch = num_train_samples // batch_size).

数据生成器中包含以下功能：

def shuffle_data(data):
  data=random.shuffle(data)
  return data

我不认为我们可以使这个函数更有效或将它从生成器中排除。

def preprocessing(img, new_height, new_width):
  img = cv2.resize(img,(new_height, new_width))
  img = img/255
  return img

对于 preprocessing/resizing 数据，我使用此代码将图像设置为唯一大小，例如（224、224、3）。我认为，生成器的这一部分花费的时间最多，但我看不到将其从生成器中排除的可能性（因为如果我们在批次之外调整图像的大小，我的内存将满）。

#One Hot Encoding of the Labels
from numpy import argmax
# define input string

def my_onehot_encoded(label):
    # define universe of possible input values
    characters = '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ '
    # define a mapping of chars to integers
    char_to_int = dict((c, i) for i, c in enumerate(characters))
    int_to_char = dict((i, c) for i, c in enumerate(characters))
    # integer encode input data
    integer_encoded = [char_to_int[char] for char in label]
    # one hot encode
    onehot_encoded = list()
    for value in integer_encoded:
        character = [0 for _ in range(len(characters))]
        character[value] = 1
        onehot_encoded.append(character)

    return onehot_encoded

我认为，在这一部分中，可能有一种方法可以提高效率。我正在考虑从生成器中排除此代码并在生成器外部生成数组 y_train，这样生成器就不必每次都对标签进行热编码。

你怎么看？或者我应该采用完全不同的方法？

Answer 1

我发现你的问题很有趣，因为你只提供了线索。所以这是我的调查。

使用您的代码片段，我发现 GitHub repository and 3 part video tutorial on YouTube that mainly focuses on the benefits 在 Python 中使用了生成器函数。数据基于 this kaggle（我建议检查该问题的不同内核，以将您已经尝试过的方法与其他 CNN 网络进行比较，并查看正在使用的 API）。

你不需要从头开始写一个数据生成器，虽然不难，但是发明轮子效率不高。

Keras 有 ImageDataGenerator class.
还有一个更通用的例子 DataGenerator。
Tensorflow 提供 very neat pipelines 和 tf.data.Dataset。

然而，为了解决kaggle的任务，模型只需要感知单个图像，因此该模型是一个简单的深度CNN。但据我了解，您将 8 个随机字符（classes）组合成一张图像以 recognize multiple classes at once. For that task, you need R-CNN or YOLO as your model. I just recently opened for myself YOLO v4，并且可以非常快速地使其用于特定任务。

关于您的设计和代码的一般建议。

确保库使用 GPU。它节省了很多时间。（尽管我在 CPU 上非常快地重复了存储库中的花卉实验 - 大约 10 分钟，但结果预测并不比随机猜测好。所以完整的训练需要在 CPU 上花费大量时间。）
比较不同的版本以找出瓶颈。尝试包含 48 张图像的数据集（每个 class 一张），增加每个 class 的图像数量，然后进行比较。缩小图像尺寸，改变模型结构等
在小的人工数据上测试全新模型以证明想法或使用迭代过程，从可以转换为您的任务的项目开始（handwriting recognition？）。

如何让数据生成器更有效率？

How to get Data Generator more efficient?

python

resize

neural-network

tensorflow