IteratorGetNex上的TensorFlow性能瓶颈

Question

在摆弄TensorFlow的时候，我注意到一个相对简单的任务（批处理一些3D加速计数据并取每个历元的总和）的性能相对较差。这是我跑步的精髓，一旦我得到（难以置信的漂亮！）Timeline功能启动：

import numpy as np
import tensorflow as tf
from tensorflow.python.client import timeline

# Some dummy functions to compute "features" from the data

def compute_features( data ):
    feature_functions = [
        lambda x: test_sum( x, axis = 0 ),
        lambda x: test_sum( x, axis = 1 ),
        lambda x: test_sum( x, axis = 2 ),
    ]
    return tf.convert_to_tensor( [ f( data ) for f in feature_functions ] )

def test_sum( data, axis = 0 ):
    t, v = data
    return tf.reduce_sum( v[:, axis] )


# Setup for using Timeline
sess = tf.Session()
run_options = tf.RunOptions( trace_level = tf.RunOptions.FULL_TRACE )
run_metadata = tf.RunMetadata()

# Some magic numbers for our dataset
test_sampling_rate = 5000.0
segment_size = int( 60 * test_sampling_rate )

# Load the dataset
with np.load( 'data.npz' ) as data:
    t_raw = data['t']
    v_raw = data['v']

# Build the iterator
full_dataset = tf.data.Dataset.from_tensor_slices( (t_raw, v_raw) ).batch( segment_size )
dataset_iterator = full_dataset.make_initializable_iterator()
next_datum = dataset_iterator.get_next()

sess.run( dataset_iterator.initializer )
i = 0
while True:
    try:
        print( sess.run( compute_features( next_datum ), options = run_options,
                                                         run_metadata = run_metadata ) )
        # Write Timeline data to a file for analysis later
        tl = timeline.Timeline( run_metadata.step_stats )
        ctf = tl.generate_chrome_trace_format()
        with open( 'timeline_{0}.json'.format( i ), 'w' ) as f:
            f.write( ctf )
        i += 1
    except tf.errors.OutOfRangeError:
        break

在Chrome中，我发现在每次迭代中，IteratorGetNext占用了绝大多数时间：

Screenshot of Chrome displaying the timeline for one iteration

如您所见，计算的“主要”部分被塞进右手边的小圆点中，而这个周期的绝大多数时间都停留在IteratorGetNext。在

我在想，我是否遗漏了一些显而易见的东西，因为我构建图表的方式会导致性能在这一步中急剧下降。我有点困惑，为什么这个设置表现如此糟糕。在

Answer 1

如果IteratorGetNext在时间轴中显示为一个大事件，那么您的模型在输入处理方面会遇到瓶颈。在这种情况下，管道非常简单，但是在将300000个元素复制到一个批处理上是一个瓶颈。通过向数据集定义添加Dataset.prefetch(1)转换，可以将此副本移出关键路径：

full_dataset = (tf.data.Dataset.from_tensor_slices((t_raw, v_raw))
                .batch(segment_size)
                .prefetch(1))

有关更多性能建议，请参阅tensorflow.org网站. 在

在一个循环中调用compute_features(next_datum)将导致您的图形随着时间的推移而增长，并且循环速度减慢。将其改写为以下内容将更有效：

^{pr2}$