업데이트 1/15/2020 : 작은 배치 크기에 대한 현재 모범 사례는 입력을 모델에 직접 공급하는 것입니다. 즉 preds = model(x), 트레인 / 추론에서 레이어가 다르게 동작하는 경우 model(x, training=False)입니다. 최근 커밋 당 문서화되었습니다 .
나는 이것들을 벤치마킹하지는 않았지만 Git 토론 에 따라 predict_on_batch()특히 TF 2.1의 개선으로 시도해 볼 가치가 있습니다.
궁극의 범인 : self._experimental_run_tf_function = True. 그것은의 실험 . 그러나 실제로 나쁘지는 않습니다.
모든 TensorFlow 개발자에게 독서 : 코드를 정리하십시오 . 엉망입니다. 그리고 하나의 함수가 한 가지 일을하는 것과 같은 중요한 코딩 관행을 위반합니다 . _process_inputs않는 많은 위한 동일한 "프로세스 입력"보다 _standardize_user_data. "나는 충분히 지불하고 있지 않다"-하지만 당신은 할 자신의 물건을 이해 지출 여분의 시간, 급여, 버그와 문제 페이지를 채우는 사용자에 쉽게 명확하게 코드로 결심했다.
요약 :로 약간 느립니다 compile().
compile()다른 예측 함수를에 할당하는 내부 플래그를 설정합니다 predict. 이 함수 는 각 호출마다 새로운 그래프 를 구성 하여 컴파일되지 않은 상태에서 속도를 늦 춥니 다. 그러나이 차이는 열차 시간이 데이터 처리 시간보다 훨씬 짧은 경우에만 두드러 집니다 . 우리가하면 증가 에 모델의 크기를 적어도 중간 크기는, 두 사람은 동일하게된다. 하단의 코드를 참조하십시오.
이 데이터 처리 시간의 약간의 증가는 증폭 된 그래프 기능에 의해 보상되는 것 이상입니다. 하나의 모델 그래프 만 유지하는 것이 더 효율적이기 때문에 하나의 사전 컴파일은 버려집니다. 그럼에도 불구하고 모형이 데이터에 비해 작 으면 compile()모형 유추 없이 더 좋습니다 . 해결 방법은 다른 답변을 참조하십시오.
어떻게해야합니까?
맨 아래 코드에서와 같이 컴파일 된 모델과 컴파일되지 않은 모델 성능을 비교하십시오.
- 컴파일이 빠릅니다 :
predict컴파일 된 모델에서 실행하십시오 .
- 컴파일 속도가 느림 :
predict컴파일되지 않은 모델에서 실행 합니다.
예, 둘 다 가능하며 (1) 데이터 크기에 따라 다릅니다. (2) 모델 크기; (3) 하드웨어. 맨 아래 코드는 실제로 컴파일 된 모델이 더 빠르다 는 것을 보여 주지만 10 회 반복은 작은 샘플입니다. "방법"에 대한 다른 답변의 "해결 방법"을 참조하십시오.
세부 사항 :
디버깅하는 데 시간이 걸렸지 만 재미있었습니다. 아래에서는 내가 발견 한 주요 범인을 설명하고 관련 문서를 인용하며 궁극적 인 병목 현상을 초래 한 프로파일 러 결과를 보여줍니다.
( FLAG == self.experimental_run_tf_function간결함을 위해)
Model기본적으로으로 인스턴스화합니다 FLAG=False. compile()로 설정합니다 True.predict() 예측 함수 획득과 관련이 있습니다. func = self._select_training_loop(x)- 특별한 kwargs가
predictand로 전달되지 않으면 compile다른 모든 플래그는 다음과 같습니다.
- (A)
FLAG==True ->func = training_v2.Loop()
- (B)
FLAG==False ->func = training_arrays.ArrayLikeTrainingLoop()
- 에서 소스 코드를 참조 문 , (A)는 , 크게 의존 그래프 더 분배 전략을 사용하며,이 생성 및 OPS (DO) "할 수있다"그래프 소자 성능에 영향을 파괴되기 쉽다.
진정한 범인 : 런타임의 81 %를_process_inputs() 차지 합니다 . 주요 구성 요소? _create_graph_function(), 런타임의 72 % . 이 방법은도하지 않는 존재 에 대한 (B) . 그러나 중간 크기 모델을 사용하면 런타임의 1 % 미만이_process_inputs 구성 됩니다 . 하단의 코드와 프로파일 링 결과가 이어집니다.
데이터 프로세서 :
(A) : <class 'tensorflow.python.keras.engine.data_adapter.TensorLikeDataAdapter'>에서 사용됩니다 _process_inputs(). 관련 소스 코드
(B) : numpy.ndarray에 의해 반환됩니다 convert_eager_tensors_to_numpy. 관련 소스 코드 및 여기
모델 실행 기능 (예 : 예측)
(A) : 분포 함수 및 여기
(B) : 분포 함수 (상이) 및 여기
PROFILER : 다른 답변 "tiny model"및이 답변 "medium model"의 코드 결과 :
작은 모델 : 1000 회 반복compile()
작은 모델 : 1000 회 반복, 아니오 compile()
중간 모델 : 10 회 반복
의 영향에 대한 문서 (간접적) compile(): source
다른 TensorFlow 작업과 달리 Python 숫자 입력을 텐서로 변환하지 않습니다. 또한 각각의 고유 한 파이썬 숫자 값 에 대해 새 그래프가 생성됩니다 ( 예 : 호출 g(2)및 g(3)두 개의 새 그래프 생성).
function 모든 고유 한 입력 모양 및 데이터 유형 집합에 대해 별도의 그래프를 인스턴스화합니다 . 예를 들어, 다음 코드 스 니펫은 각 입력의 모양이 다르기 때문에 3 개의 고유 한 그래프가 추적됩니다.
단일 tf.function 객체는 후드 아래의 여러 계산 그래프에 매핑해야 할 수도 있습니다. 이것은 성능으로 만 볼 수 있어야하며 (추적 그래프에는 계산 및 메모리 비용이 0 이 아님) 프로그램의 정확성에 영향을 미치지 않아야합니다.
카운터 예 :
from tensorflow.keras.layers import Input, Dense, LSTM, Bidirectional, Conv1D
from tensorflow.keras.layers import Flatten, Dropout
from tensorflow.keras.models import Model
import numpy as np
from time import time
def timeit(func, arg, iterations):
t0 = time()
for _ in range(iterations):
func(arg)
print("%.4f sec" % (time() - t0))
batch_size = 32
batch_shape = (batch_size, 400, 16)
ipt = Input(batch_shape=batch_shape)
x = Bidirectional(LSTM(512, activation='relu', return_sequences=True))(ipt)
x = LSTM(512, activation='relu', return_sequences=True)(ipt)
x = Conv1D(128, 400, 1, padding='same')(x)
x = Flatten()(x)
x = Dense(256, activation='relu')(x)
x = Dropout(0.5)(x)
x = Dense(128, activation='relu')(x)
x = Dense(64, activation='relu')(x)
out = Dense(1, activation='sigmoid')(x)
model = Model(ipt, out)
X = np.random.randn(*batch_shape)
timeit(model.predict, X, 10)
model.compile('adam', loss='binary_crossentropy')
timeit(model.predict, X, 10)
출력 :
34.8542 sec
34.7435 sec
