时间戳

首页 > 解决方案 > 从 HDF5 文件中序列化和检索大量 numpy 数组的快速有效的方法

python - 从 HDF5 文件中序列化和检索大量 numpy 数组的快速有效的方法

问题描述

我有一个庞大的 numpy 数组列表，特别113287是每个数组的形状36 x 2048。就内存而言，这相当于32 GB。

到目前为止，我已经将这些数组序列化为一个巨大的 HDF5 文件。现在，问题是每次访问从这个 hdf5 文件中检索单个数组都需要非常长的时间（10 分钟以北）。

我怎样才能加快速度？这对我的实现非常重要，因为我必须在这个列表中索引数千次才能输入深度神经网络。

这是我如何索引 hdf5 文件：

In [1]: import h5py
In [2]: hf = h5py.File('train_ids.hdf5', 'r')

In [5]: list(hf.keys())[0]
Out[5]: 'img_feats'

In [6]: group_key = list(hf.keys())[0]

In [7]: hf[group_key]
Out[7]: <HDF5 dataset "img_feats": shape (113287, 36, 2048), type "<f4">


# this is where it takes very very long time
In [8]: list(hf[group_key])[-1].shape
Out[8]: (36, 2048)

有什么想法可以加快速度吗？有没有其他方法可以序列化这些数组以加快访问速度？

注意：我使用的是 Python 列表，因为我希望保留顺序（即以与创建 hdf5 文件时放置的顺序相同的顺序检索）

标签： pythonnumpyhdf5h5pynumpy-ndarray

解决方案

根据Out[7]，“img_feats”是一个大型 3d 数组。(113287, 36, 2048) 形状。

定义ds为数据集（不加载任何内容）：

ds = hf[group_key]

x = ds[0]    # should be a (36, 2048) array

arr = ds[:]   # should load the whole dataset into memory.
arr = ds[:n]   # load a subset, slice

根据h5py-reading-writing-data：

HDF5 数据集重新使用 NumPy 切片语法来读取和写入文件。切片规范直接转换为 HDF5“hyperslab”选择，是访问文件中数据的一种快速有效的方式。

list()我认为将其包含在;中没有任何意义。也就是说，将 3d 数组拆分为 113287 个 2d 数组的列表。numpyHDF5 文件和数组上的 3d 数据集之间有一个干净的映射。

h5py-fancy-indexing警告数据集的精美索引速度较慢。也就是说，试图加载该大型数据集的 [1, 1000, 3000, 6000] 子数组。

如果使用大型数据集过于混乱，您可能想尝试编写和读取一些较小的数据集。

推荐阅读