TensorFlow的RNN减速现象

Question

我发现了 tensorflow 的 lstm 单元格（不限于 lstm，但我只用这个检查过）的一个特殊属性，据我所知尚未报告。 我不知道它是否真的有，所以我把这篇文章留在了 SO 中。下面是这个问题的玩具代码：

import tensorflow as tf
import numpy as np
import time

def network(input_list):
    input,init_hidden_c,init_hidden_m = input_list
    cell = tf.nn.rnn_cell.BasicLSTMCell(256, state_is_tuple=True)
    init_hidden = tf.nn.rnn_cell.LSTMStateTuple(init_hidden_c, init_hidden_m)
    states, hidden_cm = tf.nn.dynamic_rnn(cell, input, dtype=tf.float32, initial_state=init_hidden)
    net = [v for v in tf.trainable_variables()]
    return states, hidden_cm, net

def action(x, h_c, h_m):
    t0 = time.time()
    outputs, output_h = sess.run([rnn_states[:,-1:,:], rnn_hidden_cm], feed_dict={
        rnn_input:x,
        rnn_init_hidden_c: h_c,
        rnn_init_hidden_m: h_m
    })
    dt = time.time() - t0
    return outputs, output_h, dt

rnn_input = tf.placeholder("float", [None, None, 512])
rnn_init_hidden_c = tf.placeholder("float", [None,256])
rnn_init_hidden_m = tf.placeholder("float", [None,256])
rnn_input_list = [rnn_input, rnn_init_hidden_c, rnn_init_hidden_m]
rnn_states, rnn_hidden_cm, rnn_net = network(rnn_input_list)

feed_input = np.random.uniform(low=-1.,high=1.,size=(1,1,512))
feed_init_hidden_c = np.zeros(shape=(1,256))
feed_init_hidden_m = np.zeros(shape=(1,256))

sess = tf.Session()
sess.run(tf.global_variables_initializer())
for i in range(10000):
    _, output_hidden_cm, deltat = action(feed_input, feed_init_hidden_c, feed_init_hidden_m)
    if i % 10 == 0:
        print 'Running time: ' + str(deltat)
    (feed_init_hidden_c, feed_init_hidden_m) = output_hidden_cm
    feed_input = np.random.uniform(low=-1.,high=1.,size=(1,1,512))

[不重要]此代码的作用是从包含 LSTM 的“network()”函数生成输出，其中输入的时间维度为 1，因此输出的时间维度也为 1，并为每个运行步骤拉入和拉出初始状态。

[重要] 查看 'sess.run()' 部分。由于某些原因，在我的真实代码中，我碰巧将 [:,-1:,:] 用于“rnn_states”。然后发生的事情是每个 'sess.run()' 花费的时间增加。对于我自己的一些检查，我发现这种减速源于 [:,-1:,:]。我只是想在最后一步获得输出。如果您执行 'outputs, output_h = sess.run([rnn_states, rnn_hidden_​​cm], feed_dict{~' w/o [:,-1:,:] 并采用 'last_output = outputs[:,-1:,:]'在 'sess.run()' 之后，不会出现减速。

我不知道为什么在 [:,-1:,:] 运行时会发生这种指数级的时间增量。这是不是 tensorflow 的性质没有被记录，但速度特别慢（可能会自己添加更多图表？）？ 谢谢，希望这篇文章的其他用户不要发生这个错误。

Answer 1

我遇到了同样的问题，TensorFlow 在我运行它的每次迭代时都会变慢，并在尝试调试时发现了这个问题。这是我的情况的简短描述以及我如何解决它以供将来参考。希望它可以为某人指明正确的方向并为他们节省一些时间。

就我而言，问题主要是我在执行sess.run() 时没有使用feed_dict 来提供网络状态。相反，我每次迭代都重新声明了outputs、final_state 和prediction。 https://github.com/tensorflow/tensorflow/issues/1439#issuecomment-194405649 的答案让我意识到那是多么愚蠢……我在每次迭代中都不断地创建新的图形节点，这使得它变得越来越慢。有问题的代码如下所示：

# defining the network
lstm_layer = rnn.BasicLSTMCell(num_units, forget_bias=1)
outputs, final_state = rnn.static_rnn(lstm_layer, input, initial_state=rnn_state, dtype='float32')
prediction = tf.nn.softmax(tf.matmul(outputs[-1], out_weights)+out_bias)

for input_data in data_seq:
    # redeclaring, stupid stupid...
    outputs, final_state = rnn.static_rnn(lstm_layer, input, initial_state=rnn_state, dtype='float32')
    prediction = tf.nn.softmax(tf.matmul(outputs[-1], out_weights)+out_bias)
    p, rnn_state = sess.run((prediction, final_state), feed_dict={x: input_data})

解决方案当然是在开始时只声明一次节点，并以feed_dict 提供新数据。代码从慢一半（开始时> 15 ms）到每次迭代都变慢，到每次迭代都在1 ms左右执行。我的新代码如下所示：

out_weights = tf.Variable(tf.random_normal([num_units, n_classes]), name="out_weights")
out_bias = tf.Variable(tf.random_normal([n_classes]), name="out_bias")

# placeholder for the network state
state_placeholder = tf.placeholder(tf.float32, [2, 1, num_units])
rnn_state = tf.nn.rnn_cell.LSTMStateTuple(state_placeholder[0], state_placeholder[1])

x = tf.placeholder('float', [None, 1, n_input])
input = tf.unstack(x, 1, 1)

# defining the network
lstm_layer = rnn.BasicLSTMCell(num_units, forget_bias=1)
outputs, final_state = rnn.static_rnn(lstm_layer, input, initial_state=rnn_state, dtype='float32')

prediction = tf.nn.softmax(tf.matmul(outputs[-1], out_weights)+out_bias)

# actual network state, which we input with feed_dict
_rnn_state = tf.nn.rnn_cell.LSTMStateTuple(np.zeros((1, num_units), dtype='float32'), np.zeros((1, num_units), dtype='float32'))

it = 0
for input_data in data_seq:
    encl_input = [[input_data]]
    p, _rnn_state = sess.run((prediction, final_state), feed_dict={x: encl_input, rnn_state: _rnn_state})
    print("{} - {}".format(it, p))
    it += 1

将声明从 for 循环中移出也解决了 OP sdr2002 的问题，在 for 循环中在 sess.run() 中进行切片 outputs[-1]。

Answer 2

如上所述，对于这种情况，非常感谢 'sess.run()' 没有切片输出。

def action(x, h_c, h_m):
    t0 = time.time()
    outputs, output_h = sess.run([rnn_states, rnn_hidden_cm], feed_dict={
        rnn_input:x,
        rnn_init_hidden_c: h_c,
        rnn_init_hidden_m: h_m
    })
    outputs = outputs[:,-1:,:]
    dt = time.time() - t0
    return outputs, output_h, dt