python - 使用 TensorFlow 的梯度下降比基本的 Python 实现慢得多,为什么?
问题描述
我正在学习机器学习课程。我有一个简单的线性回归 (LR) 问题来帮助我习惯 TensorFlow。LR 问题是找到近似点云a
的参数b
(为了简单起见,我自己生成了它)。Y = a*X + b
(x, y)
我正在使用“固定步长梯度下降 (FSSGD)”解决这个 LR 问题。我使用 TensorFlow 实现了它并且它可以工作,但我注意到它在 GPU 和 CPU 上都非常慢。因为我很好奇,我自己在 Python/NumPy 中实现了 FSSGD,正如预期的那样,它运行得更快,大约:
- 比 TF@CPU 快 10 倍
- 比 TF@GPU 快 20 倍
如果 TensorFlow 这么慢,我无法想象有这么多人在使用这个框架。所以我一定做错了什么。任何人都可以帮助我,这样我就可以加快我的 TensorFlow 实现。
我对 CPU 和 GPU 性能之间的差异不感兴趣。这两个性能指标仅用于完整性和说明。 我对为什么我的 TensorFlow 实现比原始 Python/NumPy 实现慢得多感兴趣。
作为参考,我在下面添加我的代码。
- 剥离到一个最小(但完全工作)的例子。
- 使用
Python v3.7.9 x64
. - 暂时使用
tensorflow-gpu==1.15
(因为课程使用 TensorFlow v1) - 经测试可在 Spyder 和 PyCharm 中运行。
我使用 TensorFlow 的 FSSGD 实现(执行时间大约 40 秒 @CPU 到 80 秒 @GPU):
#%% General imports
import numpy as np
import timeit
import tensorflow.compat.v1 as tf
#%% Get input data
# Generate simulated input data
x_data_input = np.arange(100, step=0.1)
y_data_input = x_data_input + 20 * np.sin(x_data_input/10) + 15
#%% Define tensorflow model
# Define data size
n_samples = x_data_input.shape[0]
# Tensorflow is finicky about shapes, so resize
x_data = np.reshape(x_data_input, (n_samples, 1))
y_data = np.reshape(y_data_input, (n_samples, 1))
# Define placeholders for input
X = tf.placeholder(tf.float32, shape=(n_samples, 1), name="tf_x_data")
Y = tf.placeholder(tf.float32, shape=(n_samples, 1), name="tf_y_data")
# Define variables to be learned
with tf.variable_scope("linear-regression", reuse=tf.AUTO_REUSE): #reuse= True | False | tf.AUTO_REUSE
W = tf.get_variable("weights", (1, 1), initializer=tf.constant_initializer(0.0))
b = tf.get_variable("bias", (1,), initializer=tf.constant_initializer(0.0))
# Define loss function
Y_pred = tf.matmul(X, W) + b
loss = tf.reduce_sum((Y - Y_pred) ** 2 / n_samples) # Quadratic loss function
# %% Solve tensorflow model
#Define algorithm parameters
total_iterations = 1e5 # Defines total training iterations
#Construct TensorFlow optimizer
with tf.variable_scope("linear-regression", reuse=tf.AUTO_REUSE): #reuse= True | False | tf.AUTO_REUSE
opt = tf.train.GradientDescentOptimizer(learning_rate = 1e-4)
opt_operation = opt.minimize(loss, name="GDO")
#To measure execution time
time_start = timeit.default_timer()
with tf.Session() as sess:
#Initialize variables
sess.run(tf.global_variables_initializer())
#Train variables
for index in range(int(total_iterations)):
_, loss_val_tmp = sess.run([opt_operation, loss], feed_dict={X: x_data, Y: y_data})
#Get final values of variables
W_val, b_val, loss_val = sess.run([W, b, loss], feed_dict={X: x_data, Y: y_data})
#Print execution time
time_end = timeit.default_timer()
print('')
print("Time to execute code: {0:0.9f} sec.".format(time_end - time_start))
print('')
# %% Print results
print('')
print('Iteration = {0:0.3f}'.format(total_iterations))
print('W_val = {0:0.3f}'.format(W_val[0,0]))
print('b_val = {0:0.3f}'.format(b_val[0]))
print('')
我自己的 python FSSGD 实现(执行时间大约 4 秒):
#%% General imports
import numpy as np
import timeit
#%% Get input data
# Define input data
x_data_input = np.arange(100, step=0.1)
y_data_input = x_data_input + 20 * np.sin(x_data_input/10) + 15
#%% Define Gradient Descent (GD) model
# Define data size
n_samples = x_data_input.shape[0]
#Initialize data
W = 0.0 # Initial condition
b = 0.0 # Initial condition
# Compute initial loss
y_gd_approx = W*x_data_input+b
loss = np.sum((y_data_input - y_gd_approx)**2)/n_samples # Quadratic loss function
#%% Execute Gradient Descent algorithm
#Define algorithm parameters
total_iterations = 1e5 # Defines total training iterations
GD_stepsize = 1e-4 # Gradient Descent fixed step size
#To measure execution time
time_start = timeit.default_timer()
for index in range(int(total_iterations)):
#Compute gradient (derived manually for the quadratic cost function)
loss_gradient_W = 2.0/n_samples*np.sum(-x_data_input*(y_data_input - y_gd_approx))
loss_gradient_b = 2.0/n_samples*np.sum(-1*(y_data_input - y_gd_approx))
#Update trainable variables using fixed step size gradient descent
W = W - GD_stepsize * loss_gradient_W
b = b - GD_stepsize * loss_gradient_b
#Compute loss
y_gd_approx = W*x_data_input+b
loss = np.sum((y_data_input - y_gd_approx)**2)/x_data_input.shape[0]
#Print execution time
time_end = timeit.default_timer()
print('')
print("Time to execute code: {0:0.9f} sec.".format(time_end - time_start))
print('')
# %% Print results
print('')
print('Iteration = {0:0.3f}'.format(total_iterations))
print('W_val = {0:0.3f}'.format(W))
print('b_val = {0:0.3f}'.format(b))
print('')
解决方案
我认为这是大迭代次数的结果。我已将迭代次数从1e5
to1e3
更改为 x 从x_data_input = np.arange(100, step=0.1)
to x_data_input = np.arange(100, step=0.0001)
。这样,我减少了迭代次数,但将计算量增加了 10 倍。使用 np 它在22 秒内完成,在 tensorflow 中它在25 秒内完成。
我的猜测:tensorflow 在每次迭代中都有很多开销(给我们一个可以做很多事情的框架),但是前向传递和后向传递速度还可以。
推荐阅读
- sas - 如何对 SUM(Case) 进行 SAS 查询并使其在 Teradata SQL 中工作
- javascript - 如何使用 Leaflet 制作线性渐变图例
- c++ - 对所有用户有效的凭据提供程序 V2(磁贴)
- python - Python Chrome 驱动程序在 Safari 网络浏览器上单击阅读器视图
- syntax - PDDL forall 语法
- macos - CSV 下载分为 CSV 和 CSV.part
- apache-nifi - Nifi 处理器中正确的时间格式是什么?
- javascript - Maximo 自动化 yesno 对话框在 7.6.1.1 中失败,但在 7.6.0.9 中失败
- python - Matplotlib x-labels 垂直切割
- javascript - 选择复选框时尝试更新对象属性