多个小 h5 文件或一个大文件之间最好的选择是什么？

Question

我正在处理大量的卫星数据，我将这些数据拆分为小图块以提供深度学习模型。我正在使用 pytorch，这意味着数据加载器可以使用多个线程。 [设置：python，Ubuntu 18.04]

我找不到任何关于以下数据访问和存储的最佳答案：

1. 将所有数据注册在一个巨大的 HDF5 文件中（超过 20Go）
2. 将其拆分为多个（超过 16 000 个）小型 HDF5 文件（大约 1.4 个月）。

多线程访问一个文件有问题吗？在另一种情况下，拥有这么多文件会产生影响吗？

Answer 1

如果我是你，我会选择多个文件（但要读到最后）。

直观地说，您可以将至少一些文件加载​​到内存中，从而稍微加快处理速度（如果是的话，您不太可能使用 20GB 这样做，因为 RAM 访问速度要快得多）。

您可以在第一次过去缓存这些示例（在自定义 torch.utils.data.Dataset 实例中）并检索缓存的示例（例如在 list 或其他内存效率更高的数据结构中，最好具有更好的缓存局部性），而不是从磁盘读取（类似于 Tensorflow 的 tf.data.Dataset 对象中的一种方法，它是 cache 方法）。

另一方面，这种方法更麻烦，更难正确实施， 但是如果您只读取具有多个线程的文件，您应该没问题，并且此操作不应该有任何锁定。

记得使用 pytorch 的分析器 (torch.utils.bottleneck) 测量您的方法，以查明确切的问题并验证解决方案。