原始 Python 'for' 循环是否会降低 TensorFlow 的训练性能

Question

只有 1 个输入（输入占位符）时，使用 tf.data.Dataset 是最佳选择：

Data = tf.data.Dataset.from_tensor_slices((Inp,Exp));
Data = Data.repeat().shuffle(Dsize).batch(Bsize);

Steps  = 1000;
Epochs = round(Steps/(Dsize/Bsize));

...

Model.fit(Data, epochs=Epochs, steps_per_epoch=round(Dsize/Bsize));

但是，当有多个输入（提供给多个占位符）时，Keras 不允许提供多个数据集，因此使用原始 Python 'for' 循环来提供批次：

Data = tf.data.Dataset.from_tensor_slices((Inp1,Inp2,Exp));
Data = Data.repeat().shuffle(Dsize).batch(Bsize);
Iter = iter(Data);

Steps = 1000;

...
for I in range(Steps):
  X1,X2,Y = next(Iter);
  Model.fit(x=[X1,X2], y=Y);

因为Python是解释器并且在字节码上运行，所以'for'循环应该很慢。恐怕使用自定义 'for' 循环会降低训练性能。是真的吗？

Answer 1

我发现没有必要使用 'for' 循环。我可以通过仅使用 Keras 来避免使用 'for' 循环，同时我仍然可以使用多个 Xes，但不再使用 tf.data.Dataset:

Steps  = 1000;
Epochs = round(Steps/(Dsize/Bsize)); 
Lline  = 10;
Lafte  = round(Epochs/Lline);
if Lafte==0: Lafte=1;

#Train: Loop
L = Model.evaluate(x=[Inp1,Inp2], y=Exp, steps=round(Dsize/Bsize), batch_size=Bsize, 
                   verbose=0);
print(f"Initavg batch loss: {L:.9f}");                   

Model.fit(x=[Inp1,Inp2], y=Exp, epochs=Epochs, batch_size=Bsize, shuffle=True, 
          verbose=0, callbacks=[callback()]);

Answer 2

您可以调整 from_tensor_slices 使其保持为 2 个元素的元组，而第一个元素本身就是一个元组。

工作示例：

import numpy as np
import tensorflow as tf


input_1 = tf.keras.Input(shape=(10,))
dense_1 = tf.keras.layers.Dense(4)(input_1)
input_2 = tf.keras.Input(shape=(10,))
dense_2 = tf.keras.layers.Dense(4)(input_2)
x = tf.keras.layers.Concatenate()([dense_1, dense_2])
y = tf.keras.layers.Dense(2)(x)

model = tf.keras.Model([input_1, input_2], y)
model.summary()

dataset_size = 16
batch_size = 4
input_1_values = np.random.random((dataset_size, 10))
input_2_values = np.random.random((dataset_size, 10))
output_values = np.random.random((dataset_size, 2))

dataset = tf.data.Dataset.from_tensor_slices(((input_1_values, input_1_values), output_values))
dataset = dataset.repeat().shuffle(buffer_size=4).batch(batch_size)

steps = 10
model.compile(optimizer="adam", loss="binary_crossentropy")
model.fit(dataset, epochs=1, steps_per_epoch=steps)

另一种将数据集合并为单个数据集的方法也可以是使用 zip method

原始 Python 'for' 循环是否会降低 TensorFlow 的训练性能

Does the raw Python 'for' loop reduce training performance of TensorFlow

python

performance

tensorflow

for-loop

bytecode