异步数据读取

除同步Feed方式外，我们提供了DataLoader。DataLoader的性能比 同步数据读取 更好，因为DataLoader的数据读取和模型训练过程是异步进行的，且能与 double_buffer_reader 配合以进一步提高数据读取性能。此外， double_buffer_reader 负责异步完成CPU Tensor到GPU Tensor的转换，一定程度上提升了数据读取效率。

创建DataLoader对象

创建DataLoader对象的方式为：

  1. import paddle.fluid as fluid
  3. image = fluid.data(name='image', dtype='float32', shape=[None, 784])
  4. label = fluid.data(name='label', dtype='int64', shape=[None, 1])
  6. ITERABLE = True
  8. data_loader = fluid.io.DataLoader.from_generator(
  9.     feed_list=[image, label], capacity=64, use_double_buffer=True, iterable=ITERABLE)

其中，

  • feed_list为需要输入的数据层变量列表；
  • capacity为DataLoader对象的缓存区大小，单位为batch数量；
  • use_double_buffer默认为True，表示使用 double_buffer_reader 。建议开启，可提升数据读取速度；
  • iterable默认为True，表示该DataLoader对象是可For-Range迭代的。推荐设置iterable=True。当iterable=True时，DataLoader与Program解耦，定义DataLoader对象不会改变Program；当iterable=False时，DataLoader会在Program中插入数据读取相关的op。

需要注意的是：Program.clone() (参见 Program ）不能实现DataLoader对象的复制。如果您要创建多个不同DataLoader对象（例如训练和预测阶段需创建两个不同的DataLoader），则需重定义两个DataLoader对象。 若需要共享训练阶段和测试阶段的模型参数，您可以通过 fluid.unique_name.guard() 的方式来实现。 注：Paddle采用变量名区分不同变量，且变量名是根据 unique_name 模块中的计数器自动生成的，每生成一个变量名计数值加1。 fluid.unique_name.guard() 的作用是重置 unique_name 模块中的计数器，保证多次调用 fluid.unique_name.guard() 配置网络时对应变量的变量名相同，从而实现参数共享。

下面是一个使用DataLoader配置训练阶段和测试阶段网络的例子：

  1. import paddle
  2. import paddle.fluid as fluid
  3. import paddle.dataset.mnist as mnist
  5. def network():
  6.     image = fluid.data(name='image', dtype='float32', shape=[None, 784])
  7.     label = fluid.data(name='label', dtype='int64', shape=[None, 1])
  8.     loader = fluid.io.DataLoader.from_generator(feed_list=[image, label], capacity=64)
  10.     # Definition of models
  11.     fc = fluid.layers.fc(image, size=10)
  12.     xe = fluid.layers.softmax_with_cross_entropy(fc, label)
  13.     loss = fluid.layers.reduce_mean(xe)
  14.     return loss , loader
  16. # Create main program and startup program for training
  17. train_prog = fluid.Program()
  18. train_startup = fluid.Program()
  20. with fluid.program_guard(train_prog, train_startup):
  21.     # Use fluid.unique_name.guard() to share parameters with test network
  22.     with fluid.unique_name.guard():
  23.         train_loss, train_loader = network()
  24.         adam = fluid.optimizer.Adam(learning_rate=0.01)
  25.         adam.minimize(train_loss)
  27. # Create main program and startup program for testing
  28. test_prog = fluid.Program()
  29. test_startup = fluid.Program()
  30. with fluid.program_guard(test_prog, test_startup):
  31.     # Use fluid.unique_name.guard() to share parameters with train network
  32.     with fluid.unique_name.guard():
  33.         test_loss, test_loader = network()

设置DataLoader对象的数据源

DataLoader对象通过 set_sample_generator() ， set_sample_list_generator 和 set_batch_generator() 方法设置其数据源。 这三个方法均接收Python生成器 generator 作为参数，其区别在于：

  • set_sample_generator() 要求 generator 返回的数据格式为[img_1, label_1]，其中img_1和label_1为单个样本的Numpy Array类型数据。
  • set_sample_list_generator() 要求 generator 返回的数据格式为[(img_1, label_1), (img_2, label_2), …, (img_n, label_n)]，其中img_i和label_i均为每个样本的Numpy Array类型数据，n为batch size。
  • set_batch_generator() 要求 generator 返回的数据的数据格式为[batched_imgs, batched_labels]，其中batched_imgs和batched_labels为batch级的Numpy Array或LoDTensor类型数据。

值得注意的是，使用DataLoader做多GPU卡（或多CPU核）训练时，实际的总batch size为用户传入的 generator 的batch size乘以设备数量。

当DataLoader的iterable=True（默认）时，必须给这三个方法传 places 参数， 指定将读取的数据转换为CPU Tensor还是GPU Tensor。当DataLoader的iterable=False时，不需传places参数。

例如，假设我们有两个reader，其中fake_sample_reader每次返回一个sample的数据，fake_batch_reader每次返回一个batch的数据。

  1. import paddle.fluid as fluid
  2. import numpy as np
  4. # sample级reader
  5. def fake_sample_reader():
  6.     for _ in range(100):
  7.         sample_image = np.random.random(size=(784, )).astype('float32')
  8.         sample_label = np.random.random_integers(size=(1, ), low=0, high=9).astype('int64')
  9.         yield sample_image, sample_label
  11. # batch级reader
  12. def fake_batch_reader():
  13.     batch_size = 32
  14.     for _ in range(100):
  15.         batch_image = np.random.random(size=(batch_size, 784)).astype('float32')
  16.         batch_label = np.random.random_integers(size=(batch_size, 1), low=0, high=9).astype('int64')
  17.         yield batch_image, batch_label
  19. image1 = fluid.data(name='image1', dtype='float32', shape=[None, 784])
  20. label1 = fluid.data(name='label1', dtype='int64', shape=[None, 1])
  22. image2 = fluid.data(name='image2', dtype='float32', shape=[None, 784])
  23. label2 = fluid.data(name='label2', dtype='int64', shape=[None, 1])
  25. image3 = fluid.data(name='image3', dtype='float32', shape=[None, 784])
  26. label3 = fluid.data(name='label3', dtype='int64', shape=[None, 1])

对应的DataLoader设置如下：

  1. import paddle
  2. import paddle.fluid as fluid
  4. ITERABLE = True
  5. USE_CUDA = True
  6. USE_DATA_PARALLEL = True
  8. if ITERABLE:
  9.     # 若DataLoader可迭代，则必须设置places参数
  10.     if USE_DATA_PARALLEL:
  11.         # 若进行多GPU卡训练，则取所有的CUDAPlace
  12.         # 若进行多CPU核训练，则取多个CPUPlace，本例中取了8个CPUPlace
  13.         places = fluid.cuda_places() if USE_CUDA else fluid.cpu_places(8)
  14.     else:
  15.         # 若进行单GPU卡训练，则取单个CUDAPlace，本例中0代表0号GPU卡
  16.         # 若进行单CPU核训练，则取单个CPUPlace，本例中1代表1个CPUPlace
  17.         places = fluid.cuda_places(0) if USE_CUDA else fluid.cpu_places(1)
  18. else:
  19.     # 若DataLoader不可迭代，则不需要设置places参数
  20.     places = None
  22. # 使用sample级的reader作为DataLoader的数据源
  23. data_loader1 = fluid.io.DataLoader.from_generator(feed_list=[image1, label1], capacity=10, iterable=ITERABLE)
  24. data_loader1.set_sample_generator(fake_sample_reader, batch_size=32, places=places)
  26. # 使用sample级的reader + fluid.io.batch设置DataLoader的数据源
  27. data_loader2 = fluid.io.DataLoader.from_generator(feed_list=[image2, label2], capacity=10, iterable=ITERABLE)
  28. sample_list_reader = fluid.io.batch(fake_sample_reader, batch_size=32)
  29. sample_list_reader = fluid.io.shuffle(sample_list_reader, buf_size=64) # 还可以进行适当的shuffle
  30. data_loader2.set_sample_list_generator(sample_list_reader, places=places)
  32. # 使用batch级的reader作为DataLoader的数据源
  33. data_loader3 = fluid.io.DataLoader.from_generator(feed_list=[image3, label3], capacity=10, iterable=ITERABLE)
  34. data_loader3.set_batch_generator(fake_batch_reader, places=places)

使用DataLoader进行模型训练和测试

使用DataLoader进行模型训练和测试的例程如下。

  • 第一步，我们需组建训练网络和预测网络，并定义相应的DataLoader对象，设置好DataLoader对象的数据源。
  1. import paddle
  2. import paddle.fluid as fluid
  3. import paddle.dataset.mnist as mnist
  4. import six
  6. ITERABLE = True
  8. def network():
  9.     # 创建数据层对象
  10.     image = fluid.data(name='image', dtype='float32', shape=[None, 784])
  11.     label = fluid.data(name='label', dtype='int64', shape=[None, 1])
  13.     # 创建DataLoader对象
  14.     reader = fluid.io.DataLoader.from_generator(feed_list=[image, label], capacity=64, iterable=ITERABLE)
  16.     # Definition of models
  17.     fc = fluid.layers.fc(image, size=10)
  18.     xe = fluid.layers.softmax_with_cross_entropy(fc, label)
  19.     loss = fluid.layers.reduce_mean(xe)
  20.     return loss , reader
  22. # 创建训练的main_program和startup_program
  23. train_prog = fluid.Program()
  24. train_startup = fluid.Program()
  26. # 定义训练网络
  27. with fluid.program_guard(train_prog, train_startup):
  28.     # fluid.unique_name.guard() to share parameters with test network
  29.     with fluid.unique_name.guard():
  30.         train_loss, train_loader = network()
  31.         adam = fluid.optimizer.Adam(learning_rate=0.01)
  32.         adam.minimize(train_loss)
  34. # 创建预测的main_program和startup_program
  35. test_prog = fluid.Program()
  36. test_startup = fluid.Program()
  38. # 定义预测网络
  39. with fluid.program_guard(test_prog, test_startup):
  40.     # Use fluid.unique_name.guard() to share parameters with train network
  41.     with fluid.unique_name.guard():
  42.         test_loss, test_loader = network()
  44. place = fluid.CUDAPlace(0)
  45. exe = fluid.Executor(place)
  47. # 运行startup_program进行初始化
  48. exe.run(train_startup)
  49. exe.run(test_startup)
  51. # Compile programs
  52. train_prog = fluid.CompiledProgram(train_prog).with_data_parallel(loss_name=train_loss.name)
  53. test_prog = fluid.CompiledProgram(test_prog).with_data_parallel(share_vars_from=train_prog)
  55. # 设置DataLoader的数据源
  56. places = fluid.cuda_places() if ITERABLE else None
  58. train_loader.set_sample_list_generator(
  59.     fluid.io.shuffle(fluid.io.batch(mnist.train(), 512), buf_size=1024), places=places)
  61. test_loader.set_sample_list_generator(fluid.io.batch(mnist.test(), 512), places=places)
  • 第二步：根据DataLoader对象是否iterable，选用不同的方式运行网络。

若iterable=True，则DataLoader对象是一个Python的生成器，可直接for-range迭代。for-range返回的结果通过exe.run的feed参数传入执行器。

  1. def run_iterable(program, exe, loss, data_loader):
  2.     for data in data_loader():
  3.         loss_value = exe.run(program=program, feed=data, fetch_list=[loss])
  4.         print('loss is {}'.format(loss_value))
  6. for epoch_id in six.moves.range(10):
  7.     run_iterable(train_prog, exe, train_loss, train_loader)
  8.     run_iterable(test_prog, exe, test_loss, test_loader)

若iterable=False，则需在每个epoch开始前，调用 start() 方法启动DataLoader对象；并在每个epoch结束时，exe.run会抛出 fluid.core.EOFException 异常，在捕获异常后调用 reset() 方法重置DataLoader对象的状态， 以便启动下一轮的epoch。iterable=False时无需给exe.run传入feed参数。具体方式为：

  1. def run_non_iterable(program, exe, loss, data_loader):
  2.     data_loader.start()
  3.     try:
  4.         while True:
  5.             loss_value = exe.run(program=program, fetch_list=[loss])
  6.             print('loss is {}'.format(loss_value))
  7.     except fluid.core.EOFException:
  8.         print('End of epoch')
  9.         data_loader.reset()
  11. for epoch_id in six.moves.range(10):
  12.     run_non_iterable(train_prog, exe, train_loss, train_loader)
  13.     run_non_iterable(test_prog, exe, test_loss, test_loader)