keras fit_generator 并行

---

虽然已经走在 torch boy 的路上了， 还是把碰到的这个坑给记录一下

• 数据量较小时，我们可直接把整个数据集 load 到内存里，用 model.fit() 来拟合模型。
• 当数据集过大比如几十个 G 时，内存撑不下，需要用 model.fit_generator 的方式来拟合。

model.fit_generator 一般参数的配置参考官方文档就好，其中 generator, workers, use_multiprocessing 的使用有一些坑存在。

workers=0, use_multiprocessing=False

此时 generator 用一个普通的 generator去提供数据即可，类似官方提供的这种

def generate_arrays_from_file(path):
    while True:
        with open(path) as f:
            for line in f:
                # create numpy arrays of input data
                # and labels, from each line in the file
                x1, x2, y = process_line(line)
                yield ({'input_1': x1, 'input_2': x2}, {'output': y})

model.fit_generator(generate_arrays_from_file('/my_file.txt'),
                    steps_per_epoch=10000, epochs=10)

workers>0, use_multiprocessing=True

这时依然用一个 generator function 来做 generator在拟合的时候便会报错如下：

PicklingError: Can't pickle <function generator_queue.<locals>.data_generator_task at

且当 use_multiprocessing=True 时，如果你使用的是 generator function, 代码会把你的数据copy几份分给不同的worker去处理，但我们希望的是把一份数据平均分拆成几份给多个worker去处理。

怎么解决上面两个问题？ keras.utils.Sequence 可以做到

很简单，继承 keras.utils.Sequence 这个类，重写自己的 len(), getitem 即可。

class SequenceData(Sequence):
    def __init__(self, filePaths, batch_size):
        self.filePaths = filePaths[:100].copy()
        self.batch_size = batch_size
        self.Y = self.getY()

    def __len__(self):
        return len(self.Y) // self.batch_size

    def __getitem__(self, index):
        batch_X = np.zeros((self.batch_size,) + IMG_DIMS, dtype='float32')
        batch_Y_ = self.Y[index*self.batch_size: (index+1)*self.batch_size].copy()
        batch_Y_.reset_index(drop=True, inplace=True)
        assert batch_Y_.shape[0] == self.batch_size

        for index, rows in batch_Y_.iterrows():
            try:
                img = _load_img(rows['path'])
                batch_X[index, :, :, :] = img.copy()
                batch_Y_.loc[index, 'valid'] = 1
            except:
                batch_Y_.loc[index, 'valid'] = 0
                traceback.print_exc()
        batch_Y = to_categorical(batch_Y_['label'], classes_num)
        return batch_X, batch_Y

    def __iter__(self):
        for item in (self[i] for i in range(len(self))):
            yield item

    def getY(self):
        Y = pd.DataFrame(self.filePaths, columns=['path'])
        Y['class'] = Y['path'].apply(lambda x: path2class(x))
        Y['label'] = Y['class'].apply(lambda x: class2label[x])
        Y = Y.sample(frac=1).reset_index(drop=True)
        return Y

---

效果比较

• 样本量：1000张图片
• 模型： MobileNetV2
• epochs: 5
• CPU: 4核，3.4GHz
• GPU: None

可能数据量过小，并行的效果不是太明显。

数据读取方式	workers	use_multiprocessing	耗时/s
内存读取	0	True	1797
keras.utils.Sequence	0	False	1475
keras.utils.Sequence	4	True

---

参考：

• https://zhuanlan.zhihu.com/p/32679425
• https://github.com/keras-team/keras/blob/master/keras/utils/data_utils.py#L305