加载 minibatches < gpu 内存的有效方式
Efficient way of loading minibatches < gpu memory
我有以下场景:
- 我的数据集 >> gpu 内存
- 我的 minibatches < gpu 内存 ...这样根据大小我可以同时在内存中容纳 10 个同时仍然训练没问题。
我的数据集的大小意味着我不会重新访问数据点,所以我想共享它们没有意义?或者有吗?我在想,最多有 10 个 size=mini-batch 的共享初始化变量可能会有好处,这样我就可以一次交换 10 个,而不是一次只交换一个。另外,是否可以并行预加载小批量?
如果您不重新访问数据点,那么使用共享变量可能没有任何价值。
可以修改以下代码并将其用于评估将数据获取到特定计算中的不同方法。
当您不需要重新访问数据时,"input" 方法可能是最好的方法。 "shared_all" 方法可能优于其他所有方法,但前提是您可以将整个数据集放入 GPU 内存中。 "shared_batched" 允许您评估分层批处理数据是否有帮助。
在"shared_batched"方法中,数据集被分成许多宏批次,每个宏批次又被分成许多微批次。单个共享变量用于保存单个宏批处理。该代码评估当前宏批次中的所有微批次。处理完一个完整的宏批后,下一个宏批将加载到共享变量中,代码将再次迭代其中的微批。
一般来说,少量的大内存传输可能会比大量的小内存传输运行得更快(其中每个传输的总量相同)。但这需要进行测试(例如使用下面的代码)才能确定; YMMV.
使用"borrow"参数也可能会对性能产生重大影响,但在使用前请注意the implications。
import math
import timeit
import numpy
import theano
import theano.tensor as tt
def test_input(data, batch_size):
assert data.shape[0] % batch_size == 0
batch_count = data.shape[0] / batch_size
x = tt.tensor4()
f = theano.function([x], outputs=x.sum())
total = 0.
start = timeit.default_timer()
for batch_index in xrange(batch_count):
total += f(data[batch_index * batch_size: (batch_index + 1) * batch_size])
print 'IN\tNA\t%s\t%s\t%s\t%s' % (batch_size, batch_size, timeit.default_timer() - start, total)
def test_shared_all(data, batch_size):
batch_count = data.shape[0] / batch_size
for borrow in (True, False):
start = timeit.default_timer()
all = theano.shared(data, borrow=borrow)
load_time = timeit.default_timer() - start
x = tt.tensor4()
i = tt.lscalar()
f = theano.function([i], outputs=x.sum(), givens={x: all[i * batch_size:(i + 1) * batch_size]})
total = 0.
start = timeit.default_timer()
for batch_index in xrange(batch_count):
total += f(batch_index)
print 'SA\t%s\t%s\t%s\t%s\t%s' % (
borrow, batch_size, batch_size, load_time + timeit.default_timer() - start, total)
def test_shared_batched(data, macro_batch_size, micro_batch_size):
assert data.shape[0] % macro_batch_size == 0
assert macro_batch_size % micro_batch_size == 0
macro_batch_count = data.shape[0] / macro_batch_size
micro_batch_count = macro_batch_size / micro_batch_size
macro_batch = theano.shared(numpy.empty((macro_batch_size,) + data.shape[1:], dtype=theano.config.floatX),
borrow=True)
x = tt.tensor4()
i = tt.lscalar()
f = theano.function([i], outputs=x.sum(), givens={x: macro_batch[i * micro_batch_size:(i + 1) * micro_batch_size]})
for borrow in (True, False):
total = 0.
start = timeit.default_timer()
for macro_batch_index in xrange(macro_batch_count):
macro_batch.set_value(
data[macro_batch_index * macro_batch_size: (macro_batch_index + 1) * macro_batch_size], borrow=borrow)
for micro_batch_index in xrange(micro_batch_count):
total += f(micro_batch_index)
print 'SB\t%s\t%s\t%s\t%s\t%s' % (
borrow, macro_batch_size, micro_batch_size, timeit.default_timer() - start, total)
def main():
numpy.random.seed(1)
shape = (20000, 3, 32, 32)
print 'Creating random data with shape', shape
data = numpy.random.standard_normal(size=shape).astype(theano.config.floatX)
print 'Running tests'
for macro_batch_size in (shape[0] / pow(10, i) for i in xrange(int(math.log(shape[0], 10)))):
test_shared_all(data, macro_batch_size)
test_input(data, macro_batch_size)
for micro_batch_size in (macro_batch_size / pow(10, i) for i in
xrange(int(math.log(macro_batch_size, 10)) + 1)):
test_shared_batched(data, macro_batch_size, micro_batch_size)
main()
我有以下场景:
- 我的数据集 >> gpu 内存
- 我的 minibatches < gpu 内存 ...这样根据大小我可以同时在内存中容纳 10 个同时仍然训练没问题。
我的数据集的大小意味着我不会重新访问数据点,所以我想共享它们没有意义?或者有吗?我在想,最多有 10 个 size=mini-batch 的共享初始化变量可能会有好处,这样我就可以一次交换 10 个,而不是一次只交换一个。另外,是否可以并行预加载小批量?
如果您不重新访问数据点,那么使用共享变量可能没有任何价值。
可以修改以下代码并将其用于评估将数据获取到特定计算中的不同方法。
当您不需要重新访问数据时,"input" 方法可能是最好的方法。 "shared_all" 方法可能优于其他所有方法,但前提是您可以将整个数据集放入 GPU 内存中。 "shared_batched" 允许您评估分层批处理数据是否有帮助。
在"shared_batched"方法中,数据集被分成许多宏批次,每个宏批次又被分成许多微批次。单个共享变量用于保存单个宏批处理。该代码评估当前宏批次中的所有微批次。处理完一个完整的宏批后,下一个宏批将加载到共享变量中,代码将再次迭代其中的微批。
一般来说,少量的大内存传输可能会比大量的小内存传输运行得更快(其中每个传输的总量相同)。但这需要进行测试(例如使用下面的代码)才能确定; YMMV.
使用"borrow"参数也可能会对性能产生重大影响,但在使用前请注意the implications。
import math
import timeit
import numpy
import theano
import theano.tensor as tt
def test_input(data, batch_size):
assert data.shape[0] % batch_size == 0
batch_count = data.shape[0] / batch_size
x = tt.tensor4()
f = theano.function([x], outputs=x.sum())
total = 0.
start = timeit.default_timer()
for batch_index in xrange(batch_count):
total += f(data[batch_index * batch_size: (batch_index + 1) * batch_size])
print 'IN\tNA\t%s\t%s\t%s\t%s' % (batch_size, batch_size, timeit.default_timer() - start, total)
def test_shared_all(data, batch_size):
batch_count = data.shape[0] / batch_size
for borrow in (True, False):
start = timeit.default_timer()
all = theano.shared(data, borrow=borrow)
load_time = timeit.default_timer() - start
x = tt.tensor4()
i = tt.lscalar()
f = theano.function([i], outputs=x.sum(), givens={x: all[i * batch_size:(i + 1) * batch_size]})
total = 0.
start = timeit.default_timer()
for batch_index in xrange(batch_count):
total += f(batch_index)
print 'SA\t%s\t%s\t%s\t%s\t%s' % (
borrow, batch_size, batch_size, load_time + timeit.default_timer() - start, total)
def test_shared_batched(data, macro_batch_size, micro_batch_size):
assert data.shape[0] % macro_batch_size == 0
assert macro_batch_size % micro_batch_size == 0
macro_batch_count = data.shape[0] / macro_batch_size
micro_batch_count = macro_batch_size / micro_batch_size
macro_batch = theano.shared(numpy.empty((macro_batch_size,) + data.shape[1:], dtype=theano.config.floatX),
borrow=True)
x = tt.tensor4()
i = tt.lscalar()
f = theano.function([i], outputs=x.sum(), givens={x: macro_batch[i * micro_batch_size:(i + 1) * micro_batch_size]})
for borrow in (True, False):
total = 0.
start = timeit.default_timer()
for macro_batch_index in xrange(macro_batch_count):
macro_batch.set_value(
data[macro_batch_index * macro_batch_size: (macro_batch_index + 1) * macro_batch_size], borrow=borrow)
for micro_batch_index in xrange(micro_batch_count):
total += f(micro_batch_index)
print 'SB\t%s\t%s\t%s\t%s\t%s' % (
borrow, macro_batch_size, micro_batch_size, timeit.default_timer() - start, total)
def main():
numpy.random.seed(1)
shape = (20000, 3, 32, 32)
print 'Creating random data with shape', shape
data = numpy.random.standard_normal(size=shape).astype(theano.config.floatX)
print 'Running tests'
for macro_batch_size in (shape[0] / pow(10, i) for i in xrange(int(math.log(shape[0], 10)))):
test_shared_all(data, macro_batch_size)
test_input(data, macro_batch_size)
for micro_batch_size in (macro_batch_size / pow(10, i) for i in
xrange(int(math.log(macro_batch_size, 10)) + 1)):
test_shared_batched(data, macro_batch_size, micro_batch_size)
main()