Керас подходит генератор медленно - PullRequest
Новая
       5

Керас подходит генератор медленно

0 голосов
/ 31 октября 2018

Керас fit_generator очень медленно. GPU не используется постоянно на тренировках, иногда его использование падает до 0%. Даже на 4 рабочих и multiproceesing=True.

Кроме того, процессы сценария запрашивают слишком много виртуальной памяти и имеют состояние D, непрерывный сон (обычно IO) .

Я уже пробовал разные комбинации max_queue_size, но это не сработало.

Снимок экрана Использование графического процессора

Снимок экрана процессов Виртуальная память и состояние

Информация об оборудовании GPU = Titan XP 12Gb

Код класса генератора данных 

import numpy as np
import keras
import conf


class DataGenerator(keras.utils.Sequence):
    'Generates data for Keras'
    def __init__(self, list_IDs, labels, batch_size=32, dim=(conf.max_file, 128),
                 n_classes=10, shuffle=True):
        'Initialization'
        self.dim = dim
        self.batch_size = batch_size
        self.labels = labels
        self.list_IDs = list_IDs
        self.n_classes = n_classes
        self.shuffle = shuffle
        self.on_epoch_end()

    def __len__(self):
        'Denotes the number of batches per epoch'
        return int(np.floor(len(self.list_IDs) / self.batch_size))

    def __getitem__(self, index):
        'Generate one batch of data'
        # Generate indexes of the batch
        indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]

        # Find list of IDs
        list_IDs_temp = [self.list_IDs[k] for k in indexes]

        # Generate data
        X, y = self.__data_generation(list_IDs_temp)

        return X, y

    def on_epoch_end(self):
        'Updates indexes after each epoch'
        self.indexes = np.arange(len(self.list_IDs))
        if self.shuffle == True:
            np.random.shuffle(self.indexes)

    def __data_generation(self, list_IDs_temp):
        'Generates data containing batch_size samples' # X : (n_samples, *dim, n_channels)
        # Initialization
        X = np.empty((self.batch_size, *self.dim))
        y = np.empty((self.batch_size, conf.max_file, self.n_classes))
        # Generate data
        for i, ID in enumerate(list_IDs_temp):
            # Store sample
            X[i, ] = np.load(conf.dir_out_data+"data_by_file/" + ID)

            # Store class
            y[i, ] = np.load(conf.dir_out_data +
                            'data_by_file/' + self.labels[ID])

        return X, y

Код скрипта Python 

training_generator = DataGenerator(partition['train'], labels, **params)

validation_generator = DataGenerator(partition['validation'], labels, **params)

model.fit_generator(generator = training_generator,
                    validation_data = validation_generator,
                    epochs=steps,
                    callbacks=[tensorboard, checkpoint],
                    workers=4,
                    use_multiprocessing=True,
                    max_queue_size=50)
...