InMemoryDataset

InMemoryDataset

class paddle.distributed.InMemoryDataset [源代码]

InMemoryDataset，它将数据加载到内存中，并在训练前随机整理数据。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()

init ( \*kwargs* )

注意：

1. 该API只在非 Dygraph 模式下生效

对InMemoryDataset的实例进行配置初始化。

参数：

kwargs - 可选的关键字参数，由调用者提供，目前支持以下关键字配置。
batch_size (int) - batch size的大小. 默认值为1。
thread_num (int) - 用于训练的线程数, 默认值为1。
use_var (list) - 用于输入的variable列表，默认值为[]。
input_type (int) - 输入到模型训练样本的类型. 0 代表一条样本, 1 代表一个batch。默认值为0。
fs_name (str) - hdfs名称. 默认值为””。
fs_ugi (str) - hdfs的ugi. 默认值为””。
pipe_command (str) - 在当前的 dataset 中设置的pipe命令用于数据的预处理。pipe命令只能使用UNIX的pipe命令，默认为”cat”。
download_cmd (str) - 数据下载pipe命令。 pipe命令只能使用UNIX的pipe命令, 默认为”cat”。

返回：None。

代码示例

import paddle
import os
paddle.enable_static()
with open("test_queue_dataset_run_a.txt", "w") as f:
    data = "2 1 2 2 5 4 2 2 7 2 1 3\n"
    data += "2 6 2 2 1 4 2 2 4 2 2 3\n"
    data += "2 5 2 2 9 9 2 2 7 2 1 3\n"
    data += "2 7 2 2 1 9 2 3 7 2 5 3\n"
    f.write(data)
with open("test_queue_dataset_run_b.txt", "w") as f:
    data = "2 1 2 2 5 4 2 2 7 2 1 3\n"
    data += "2 6 2 2 1 4 2 2 4 2 2 3\n"
    data += "2 5 2 2 9 9 2 2 7 2 1 3\n"
    data += "2 7 2 2 1 9 2 3 7 2 5 3\n"
    f.write(data)
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset = paddle.distributed.InMemoryDataset()
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
dataset.set_filelist(
    ["test_queue_dataset_run_a.txt", "test_queue_dataset_run_b.txt"])
dataset.load_into_memory()
place = paddle.CPUPlace()
exe = paddle.static.Executor(place)
startup_program = paddle.static.Program()
main_program = paddle.static.Program()
exe.run(startup_program)
exe.train_from_dataset(main_program, dataset)
os.remove("./test_queue_dataset_run_a.txt")
os.remove("./test_queue_dataset_run_b.txt")

_init_distributed_settings ( \*kwargs* )

注意：

1. 该API只在非 Dygraph 模式下生效 2. 本api需要在机大规模参数服务器训练下生效，敬请期待详细使用文档

对InMemoryDataset的实例进行分布式训练相关配置的初始化。

参数：

kwargs - 可选的关键字参数，由调用者提供，目前支持以下关键字配置。
merge_size (int) - 通过样本id来设置合并，相同id的样本将会在shuffle之后进行合并，你应该在一个data生成器里面解析样本id。merge_size表示合并的最小数量，默认值为-1，表示不做合并。
parse_ins_id (bool) - 是否需要解析每条样的id，默认值为False。
parse_content (bool) - 是否需要解析每条样本的content, 默认值为False。
fleet_send_batch_size (int) - 设置发送batch的大小，默认值为1024。
fleet_send_sleep_seconds (int) - 设置发送batch后的睡眠时间，默认值为0。
fea_eval (bool) - 设置特征打乱特征验证模式，来修正特征级别的重要性，特征打乱需要 fea_eval 被设置为True. 默认值为False。
candidate_size (int) - 特征打乱特征验证模式下，用于随机化特征的候选池大小. 默认值为10000。

返回：None。

代码示例

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=[])
dataset._init_distributed_settings(
    parse_ins_id=True,
    parse_content=True,
    fea_eval=True,
    candidate_size=10000)

update_settings ( \*kwargs* )

注意：

1. 该API只在非 Dygraph 模式下生效

对InMemoryDataset的实例通过init和_init_distributed_settings初始化的配置进行更新。

参数：

kwargs - 可选的关键字参数，由调用者提供，目前支持以下关键字配置。
batch_size (int) - batch size的大小. 默认值为1。
thread_num (int) - 用于训练的线程数, 默认值为1。
use_var (list) - 用于输入的variable列表，默认值为[]。
input_type (int) - 输入到模型训练样本的类型. 0 代表一条样本, 1 代表一个batch。默认值为0。
fs_name (str) - hdfs名称. 默认值为””。
fs_ugi (str) - hdfs的ugi. 默认值为””。
pipe_command (str) - 在当前的 dataset 中设置的pipe命令用于数据的预处理。pipe命令只能使用UNIX的pipe命令，默认为”cat”。
download_cmd (str) - 数据下载pipe命令。 pipe命令只能使用UNIX的pipe命令, 默认为”cat”。
merge_size (int) - 通过样本id来设置合并，相同id的样本将会在shuffle之后进行合并，你应该在一个data生成器里面解析样本id。merge_size表示合并的最小数量，默认值为-1，表示不做合并。
parse_ins_id (bool) - 是否需要解析每条样的id，默认值为False。
parse_content (bool) 是否需要解析每条样本的content, 默认值为False。
fleet_send_batch_size (int) - 设置发送batch的大小，默认值为1024。
fleet_send_sleep_seconds (int) - 设置发送batch后的睡眠时间，默认值为0。
fea_eval (bool) - 设置特征打乱特征验证模式，来修正特征级别的重要性，特征打乱需要 fea_eval 被设置为True. 默认值为False。
candidate_size (int) - 特征打乱特征验证模式下，用于随机化特征的候选池大小. 默认值为10000。

返回：None。

代码示例

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=[])
dataset._init_distributed_settings(
    parse_ins_id=True,
    parse_content=True,
    fea_eval=True,
    candidate_size=10000)
dataset.update_settings(batch_size=2)

load_into_memory ( )

注意：

1. 该API只在非 Dygraph 模式下生效

向内存中加载数据。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()

preload_into_memory ( thread_num=None )

向内存中以异步模式加载数据。

参数：

thread_num (int) - 异步加载数据时的线程数。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.preload_into_memory()
dataset.wait_preload_done()

wait_preload_done ( )

等待 preload_into_memory 完成。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.preload_into_memory()
dataset.wait_preload_done()

local_shuffle ( )

局部shuffle。加载到内存的训练样本进行单机节点内部的打乱

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()
dataset.local_shuffle()

global_shuffle ( fleet=None, thread_num=12 )

全局shuffle。只能用在分布式模式（单机多进程或多机多进程）中。您如果在分布式模式中运行，应当传递fleet而非None。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()
dataset.global_shuffle()

参数：

fleet (Fleet) – fleet单例。默认为None。
thread_num (int) - 全局shuffle时的线程数。

release_memory ( )

当数据不再使用时，释放InMemoryDataset内存数据。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()
dataset.global_shuffle()
exe = paddle.static.Executor(paddle.CPUPlace())
startup_program = paddle.static.Program()
main_program = paddle.static.Program()
exe.run(startup_program)
exe.train_from_dataset(main_program, dataset)
dataset.release_memory()

get_memory_data_size ( fleet=None )

用户可以调用此函数以了解加载进内存后所有workers中的样本数量。

注解

该函数可能会导致性能不佳，因为它具有barrier。

参数：

fleet (Fleet) – fleet对象。

返回：内存数据的大小。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()
print dataset.get_memory_data_size()

get_shuffle_data_size ( fleet=None )

获取shuffle数据大小，用户可以调用此函数以了解局域/全局shuffle后所有workers中的样本数量。

注解

该函数可能会导致局域shuffle性能不佳，因为它具有barrier。但其不影响局域shuffle。

参数：

fleet (Fleet) – fleet对象。

返回：shuffle数据的大小。

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
dataset = paddle.distributed.InMemoryDataset()
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()
dataset.global_shuffle()
print dataset.get_shuffle_data_size()

slots_shuffle ( slots )

该方法是在特征层次上的一个打乱方法，经常被用在有着较大缩放率实例的稀疏矩阵上，为了比较metric，比如auc，在一个或者多个有着baseline的特征上做特征打乱来验证特征level的重要性。

参数：

slots (list[string]) - 要打乱特征的集合

代码示例:

import paddle
paddle.enable_static()
dataset = paddle.distributed.InMemoryDataset()
dataset._init_distributed_settings(fea_eval=True)
slots = ["slot1", "slot2", "slot3", "slot4"]
slots_vars = []
for slot in slots:
    var = paddle.static.data(
        name=slot, shape=[None, 1], dtype="int64", lod_level=1)
    slots_vars.append(var)
dataset.init(
    batch_size=1,
    thread_num=2,
    input_type=1,
    pipe_command="cat",
    use_var=slots_vars)
filelist = ["a.txt", "b.txt"]
dataset.set_filelist(filelist)
dataset.load_into_memory()
dataset.slots_shuffle(['slot1'])