tensorflow - 使用 feed_dict 比使用数据集 API 快 5 倍以上？

Question

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，命名为C1- C199，每列是一个字符串列表，以及一个label表示标签的列。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)

完整的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放入 python，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})

完整的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，因为理论上第二个应该会因为数据批次的额外序列化/反序列化而变慢。

谢谢！

标签： tensorflowtensorflow-datasets

Answer 1