keras系列︱利用fit_generator最小化显存占用比率/数据Batch化

本文主要参考两篇文献：
1、《深度学习theano/tensorflow多显卡多人使用问题集》
2、基于双向LSTM和迁移学习的seq2seq核心实体识别

运行机器学习算法时，很多人一开始都会有意无意将数据集默认直接装进显卡显存中，如果处理大型数据集（例如图片尺寸很大）或是网络很深且隐藏层很宽，也可能造成显存不足。

这个情况随着工作的深入会经常碰到，解决方法其实很多人知道，就是分块装入。以keras为例，默认情况下用fit方法载数据，就是全部载入。换用fit_generator方法就会以自己手写的方法用yield逐块装入。这里稍微深入讲一下fit_generator方法。
.

— fit_generator源码

def fit_generator(self, generator, samples_per_epoch, nb_epoch,                      verbose=1, callbacks=[],                      validation_data=None, nb_val_samples=None,                      class_weight=None, max_q_size=10, **kwargs):

.

— generator 该怎么写？

其中generator参数传入的是一个方法，validation_data参数既可以传入一个方法也可以直接传入验证数据集，通常我们都可以传入方法。这个方法需要我们自己手写，伪代码如下：

def generate_batch_data_random(x, y, batch_size):    """逐步提取batch数据到显存，降低对显存的占用"""    ylen = len(y)    loopcount = ylen // batch_size    while (True):        i = randint(0,loopcount)        yield x[i * batch_size:(i + 1) * batch_size], y[i * batch_size:(i + 1) * batch_size]

.
为什么推荐在自己写的方法中用随机呢？

• 因为fit方法默认shuffle参数也是True，fit_generator需要我们自己随机打乱数据。
• 另外，在方法中需要用while写成死循环，因为每个epoch不会重新调用方法，这个是新手通常会碰到的问题。

当然，如果原始数据已经随机打乱过，那么可以不在这里做随机处理。否则还是建议加上随机取数逻辑（如果数据集比较大则可以保证基本乱序输出）。深度学习中随机打乱数据是非常重要的，具体参见《深度学习Deep Learning》一书的8.1.3节：《Batch and Minibatch Algorithm》。（2017年5月25日补充说明）
.

调用示例：

model.fit_generator(self.generate_batch_data_random(x_train, y_train, batch_size),                                                          samples_per_epoch=len(y_train)//batch_size*batch_size,    nb_epoch=epoch,     validation_data=self.generate_valid_data(x_valid, y_valid,batch_size),    nb_val_samples=(len(y_valid)//batch_size*batch_size),     verbose=verbose,    callbacks=[early_stopping])

这样就可以将对显存的占用压低了，配合第一部分的方法可以方便同时执行多程序。

---

.
来看看一个《基于双向LSTM和迁移学习的seq2seq核心实体识别》实战案例：

'''gen_matrix实现从分词后的list来输出训练样本gen_target实现将输出序列转换为one hot形式的目标超过maxlen则截断，不足补0'''gen_matrix = lambda z: np.vstack((word2vec[z[:maxlen]], np.zeros((maxlen-len(z[:maxlen]), word_size))))gen_target = lambda z: np_utils.to_categorical(np.array(z[:maxlen] + [0]*(maxlen-len(z[:maxlen]))), 5)#从节省内存的角度，通过生成器的方式来训练def data_generator(data, targets, batch_size):     idx = np.arange(len(data))    np.random.shuffle(idx)    batches = [idx[range(batch_size*i, min(len(data), batch_size*(i+1)))] for i in range(len(data)/batch_size+1)]    while True:        for i in batches:            xx, yy = np.array(map(gen_matrix, data[i])), np.array(map(gen_target, targets[i]))            yield (xx, yy)batch_size = 1024history = model.fit_generator(data_generator(d['words'], d['label'], batch_size), samples_per_epoch=len(d), nb_epoch=200)model.save_weights('words_seq2seq_final_1.model')

延伸一：edwardlib/observations 规范数据导入、数据Batch化

def generator(array, batch_size):  """Generate batch with respect to array's first axis."""  start = 0  # pointer to where we are in iteration  while True:    stop = start + batch_size    diff = stop - array.shape[0]    if diff <= 0:      batch = array[start:stop]      start += batch_size    else:      batch = np.concatenate((array[start:], array[:diff]))      start = diff    yield batch

To use it, simply write

from observations import cifar10(x_train, y_train), (x_test, y_test) = cifar10("~/data")x_train_data = generator(x_train, 256)