如何让数据生成器更高效？

Question

为了训练神经网络，我修改了在 YouTube 上找到的代码。它看起来如下：

def data_generator(samples, batch_size, shuffle_data = True, resize=224):
  num_samples = len(samples)
  while True:
    random.shuffle(samples)

    for offset in range(0, num_samples, batch_size):
      batch_samples = samples[offset: offset + batch_size]

      X_train = []
      y_train = []

      for batch_sample in batch_samples:
        img_name = batch_sample[0]
        label = batch_sample[1]
        img = cv2.imread(os.path.join(root_dir, img_name))

        #img, label = preprocessing(img, label, new_height=224, new_width=224, num_classes=37)
        img = preprocessing(img, new_height=224, new_width=224)
        label = my_onehot_encoded(label)

        X_train.append(img)
        y_train.append(label)

      X_train = np.array(X_train)
      y_train = np.array(y_train)

      yield X_train, y_train

现在，我尝试使用此代码训练神经网络，训练样本大小为 105.000（图像文件包含 37 个可能性中的 8 个字符，A-Z、0-9 和空格）。 我使用了一个相对较小的批量大小（32，我认为这已经太小了）以提高效率，但是仍然花了很长时间来训练第一个 epoch 的四分之一（我每个 epoch 有 826 步，花了 90 分钟199 步...steps_per_epoch = num_train_samples // batch_size)。

数据生成器中包含以下功能：

def shuffle_data(data):
  data=random.shuffle(data)
  return data

我不认为我们可以让这个函数更高效或将它排除在生成器之外。

def preprocessing(img, new_height, new_width):
  img = cv2.resize(img,(new_height, new_width))
  img = img/255
  return img

为了预处理/调整数据大小，我使用此代码将图像设置为唯一大小，例如(224, 224, 3)。我认为，生成器的这一部分花费的时间最多，但我看不到将其从生成器中排除的可能性（因为如果我们在批次之外调整图像大小，我的内存会满）。

#One Hot Encoding of the Labels
from numpy import argmax
# define input string

def my_onehot_encoded(label):
    # define universe of possible input values
    characters = '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ '
    # define a mapping of chars to integers
    char_to_int = dict((c, i) for i, c in enumerate(characters))
    int_to_char = dict((i, c) for i, c in enumerate(characters))
    # integer encode input data
    integer_encoded = [char_to_int[char] for char in label]
    # one hot encode
    onehot_encoded = list()
    for value in integer_encoded:
        character = [0 for _ in range(len(characters))]
        character[value] = 1
        onehot_encoded.append(character)

    return onehot_encoded 

我认为，在这一部分中，可能有一种方法可以提高效率。我正在考虑从生成器中排除这段代码，并在生成器之外生成数组 y_train，这样生成器就不必每次都对标签进行一次热编码。

你怎么看？还是我应该采用完全不同的方法？

Answer 1

我发现您的问题非常有趣，因为您只提供了线索。所以这是我的调查。

使用您的 sn-ps，我在 YouTube 上找到了 GitHub repository 和 3 部分视频教程，主要关注 on the benefits 在 Python 中使用生成器函数。 数据基于this kaggle（我建议检查该问题的不同内核，以将您已经尝试过的方法与其他 CNN 网络进行比较，并查看使用中的 API）。

您不需要从头开始编写数据生成器，虽然这并不难，但发明轮子并不高效。

• Keras 有 ImageDataGenerator 类。
• 另外，这里还有一个更通用的 DataGenerator 示例。
• Tensorflow 提供very neat pipelines 及其tf.data.Dataset。

然而，为了解决 kaggle 的任务，该模型只需要感知单个图像，因此该模型是一个简单的深度 CNN。但据我了解，您将 8 个随机字符（类）组合成一张图像，一次发送到 recognize multiple classes。对于该任务，您需要 R-CNN 或 YOLO 作为模型。我最近刚刚为自己打开了YOLO v4，它可以很快地用于特定任务。

关于您的设计和代码的一般建议。

• 确保库使用 GPU。它节省了很多时间。 （尽管我在 CPU 上非常快地从存储库中重复了花实验 - 大约 10 分钟，但结果预测并不比随机猜测好。所以完整的训练需要大量的 CPU 时间。）
• 比较不同的版本以找到瓶颈。尝试一个包含 48 张图像（每类 1 张）的数据集，增加每类图像的数量，然后进行比较。减小图像大小、更改模型结构等。
• 在小型人工数据上测试全新模型以证明想法或使用迭代过程，从可以转换为您的任务的项目开始 (handwriting recognition?)。