我创建了一个 TFRecord 格式的数据集进行测试。每个条目包含 200 列,名为C1
- C199
,每个都是一个字符串列表,和一个label
列来表示标签。创建数据的代码可以在这里找到:https://github.com/codescv/tf-dist/blob/8bb3c44f55939fc66b3727a730c57887113e899c/src/gen_data.py#L25
然后我使用线性模型来训练数据。第一种方法如下所示:
dataset = tf.data.TFRecordDataset(data_file)
dataset = dataset.prefetch(buffer_size=batch_size*10)
dataset = dataset.map(parse_tfrecord, num_parallel_calls=5)
dataset = dataset.repeat(num_epochs)
dataset = dataset.batch(batch_size)
features, labels = dataset.make_one_shot_iterator().get_next()
logits = tf.feature_column.linear_model(features=features, feature_columns=columns, cols_to_vars=cols_to_vars)
train_op = ...
with tf.Session() as sess:
sess.run(train_op)
完整代码可以在这里找到:https://github.com/codescv/tf-dist/blob/master/src/lr_single.py
当我运行上面的代码时,我得到 0.85 步/秒(批量大小为 1024)。
在第二种方法中,我手动将数据集中的批次获取到 python 中,然后将它们提供给占位符,如下所示:
example = tf.placeholder(dtype=tf.string, shape=[None])
features = tf.parse_example(example, features=tf.feature_column.make_parse_example_spec(columns+[tf.feature_column.numeric_column('label', dtype=tf.float32, default_value=0)]))
labels = features.pop('label')
train_op = ...
dataset = tf.data.TFRecordDataset(data_file).repeat().batch(batch_size)
next_batch = dataset.make_one_shot_iterator().get_next()
with tf.Session() as sess:
data_batch = sess.run(next_batch)
sess.run(train_op, feed_dict={example: data_batch})
完整代码可以在这里找到:https://github.com/codescv/tf-dist/blob/master/src/lr_single_feed.py
当我运行上面的代码时,我得到 5 步/秒。这比第一种方法快 5 倍。这是我不明白的,因为从理论上讲,由于数据批次的额外序列化/反序列化,第二个应该更慢。
Thanks!