Tensorflow 2.3:如何并行读取大文件中的文本?

如何解决Tensorflow 2.3:如何并行读取大文件中的文本?

我需要将大小为4GB的数据集文件分解为小块。作为优化时间消耗的一部分,我想最大化并行处理。目前,我可以观察到CPU和GPU的内核正在被利用。请参见图像here中的附件输出。

我的代码段如下所示

lmer

记录展示执行流程的日志

library(lme4)

dat <- data.frame(id = sample(c("a","b","c"),100,replace=TRUE),y = rnorm(100),x = rnorm(100),w = rnorm(100),z = rnorm(100))

# this errors
for (i in c("x","w","z")) {
  lmer(y ~ i + (1 | id),data=dat)
}

# this works
models <- list()
for (i in c("x","z")) {
  f <- formula(paste("y~(1|id)+",i))
  models[[i]] <- lmer(f,data=dat)
}

我尝试过def _bytes_feature(value): """Returns a bytes_list from a string / byte.""" if isinstance(value,type(tf.constant(0))): value = value.numpy() # BytesList won't unpack a string from an EagerTensor. return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value])) def _float_feature(value): """Returns a float_list from a float / double.""" return tf.train.Feature(float_list=tf.train.FloatList(value=[value])) def _int64_feature(value): """Returns an int64_list from a bool / enum / int / uint.""" return tf.train.Feature(int64_list=tf.train.Int64List(value=[value])) def serialize_row(text,rating): # Create a dictionary mapping the feature name to the tf.Example-compatible data type. feature = { 'text': _bytes_feature(text),'rating': _float_feature(rating),} # Create a Features message using tf.train.Example. example_proto = tf.train.Example(features=tf.train.Features(feature=feature)) return example_proto.SerializeToString() def transform(example): str_example = example.decode("utf-8") json_example = json.loads(str_example) overall = json_example.get('overall',-99) text = json_example.get('reviewText','') if type(text) is str: text = bytes(text,'utf-8') tf_serialized_string = serialize_row(text,overall) return tf_serialized_string line_dataset = tf.data.TextLineDataset(filenames=[file_path]) line_dataset = line_dataset.map(lambda row: tf.numpy_function(transform,[row],tf.string)) line_dataset = line_dataset.shuffle(2) line_dataset = line_dataset.batch(NUM_OF_RECORDS_PER_BATCH_FILE) ''' Perform batchwise transformation of the population. ''' start = time.time() for idx,line in line_dataset.enumerate(): FILE_NAMES = 'test{0}.tfrecord'.format(idx) end = time.time() time_taken = end - start tf.print('Processing for file - {0}'.format(FILE_NAMES)) DIRECTORY_URL = '/home/gaurav.gupta/projects/practice/' filepath = os.path.join(DIRECTORY_URL,'data-set','electronics',FILE_NAMES) batch_ds = tf.data.Dataset.from_tensor_slices(line) writer = tf.data.experimental.TFRecordWriter(filepath) writer.write(batch_ds) tf.print('Processing for file - {0} took {1}'.format(FILE_NAMES,time_taken)) tf.print('Done') 参数,但看不出太大的区别。我相信在读取多个文件而不是单个大文件时会很方便。

我正在寻求您的建议,以并行执行此任务以减少时间消耗。

解决方法

我会尝试这样的事情(我喜欢使用joblib,因为它很容易放入现有代码中,您可能会与许多其他框架做类似的事情,此外,joblib不使用GPU也不使用它不使用任何JITting):

from joblib import Parallel,delayed
from tqdm import tqdm
...

def process_file(idx,line):
  FILE_NAMES = 'test{0}.tfrecord'.format(idx)
  end = time.time()
  time_taken = end - start
  tf.print('Processing for file - {0}'.format(FILE_NAMES))
  DIRECTORY_URL = '/home/gaurav.gupta/projects/practice/'
  filepath = os.path.join(DIRECTORY_URL,'data-set','electronics',FILE_NAMES)
  batch_ds = tf.data.Dataset.from_tensor_slices(line)
  writer = tf.data.experimental.TFRecordWriter(filepath)
  writer.write(batch_ds)
  #tf.print('Processing for file - {0} took {1}'.format(FILE_NAMES,time_taken))
  return FILE_NAMES,time_taken


times = Parallel(n_jobs=12,prefer="processes")(delayed(process_file)(idx,line) for idx,line in tqdm(line_dataset.enumerate(),total=len(line_dataset)))
print('Done.')

这是未经测试的代码,我也不确定它将如何与tf代码一起使用,但是我会尝试一下。

tqdm完全没有必要,它只是我喜欢使用的东西,因为它提供了很好的进度条。

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 &lt;select id=&quot;xxx&quot;&gt; SELECT di.id, di.name, di.work_type, di.updated... &lt;where&gt; &lt;if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 &lt;property name=&quot;dynamic.classpath&quot; value=&quot;tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;SimHei&#39;] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -&gt; systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping(&quot;/hires&quot;) public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate&lt;String
使用vite构建项目报错 C:\Users\ychen\work&gt;npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-