.. _user_guides_use_py_reader: ############# 异步数据读取 ############# 除同步Feed方式外，我们提供了DataLoader。DataLoader的性能比 :ref:`user_guide_use_numpy_array_as_train_data` 更好，因为DataLoader的数据读取和模型训练过程是异步进行的，且能与 :code:`double_buffer_reader` 配合以进一步提高数据读取性能。此外， :code:`double_buffer_reader` 负责异步完成CPU Tensor到GPU Tensor的转换，一定程度上提升了数据读取效率。 创建DataLoader对象 ################################ 创建DataLoader对象的方式为： .. code-block:: python import paddle.fluid as fluid image = fluid.data(name='image', dtype='float32', shape=[None, 784]) label = fluid.data(name='label', dtype='int64', shape=[None, 1]) ITERABLE = True data_loader = fluid.io.DataLoader.from_generator( feed_list=[image, label], capacity=64, use_double_buffer=True, iterable=ITERABLE) 其中， - feed_list为需要输入的数据层变量列表； - capacity为DataLoader对象的缓存区大小，单位为batch数量； - use_double_buffer默认为True，表示使用 :code:`double_buffer_reader` 。建议开启，可提升数据读取速度； - iterable默认为True，表示该DataLoader对象是可For-Range迭代的。推荐设置iterable=True。当iterable=True时，DataLoader与Program解耦，定义DataLoader对象不会改变Program；当iterable=False时，DataLoader会在Program中插入数据读取相关的op。 需要注意的是：`Program.clone()` (参见 :ref:`cn_api_fluid_Program` ）不能实现DataLoader对象的复制。如果您要创建多个不同DataLoader对象（例如训练和预测阶段需创建两个不同的DataLoader），则需重定义两个DataLoader对象。 若需要共享训练阶段和测试阶段的模型参数，您可以通过 :code:`fluid.unique_name.guard()` 的方式来实现。 注：Paddle采用变量名区分不同变量，且变量名是根据 :code:`unique_name` 模块中的计数器自动生成的，每生成一个变量名计数值加1。 :code:`fluid.unique_name.guard()` 的作用是重置 :code:`unique_name` 模块中的计数器，保证多次调用 :code:`fluid.unique_name.guard()` 配置网络时对应变量的变量名相同，从而实现参数共享。 下面是一个使用DataLoader配置训练阶段和测试阶段网络的例子： .. code-block:: python import paddle import paddle.fluid as fluid import paddle.dataset.mnist as mnist def network(): image = fluid.data(name='image', dtype='float32', shape=[None, 784]) label = fluid.data(name='label', dtype='int64', shape=[None, 1]) loader = fluid.io.DataLoader.from_generator(feed_list=[image, label], capacity=64) # Definition of models fc = fluid.layers.fc(image, size=10) xe = fluid.layers.softmax_with_cross_entropy(fc, label) loss = fluid.layers.reduce_mean(xe) return loss , loader # Create main program and startup program for training train_prog = fluid.Program() train_startup = fluid.Program() with fluid.program_guard(train_prog, train_startup): # Use fluid.unique_name.guard() to share parameters with test network with fluid.unique_name.guard(): train_loss, train_loader = network() adam = fluid.optimizer.Adam(learning_rate=0.01) adam.minimize(train_loss) # Create main program and startup program for testing test_prog = fluid.Program() test_startup = fluid.Program() with fluid.program_guard(test_prog, test_startup): # Use fluid.unique_name.guard() to share parameters with train network with fluid.unique_name.guard(): test_loss, test_loader = network() 设置DataLoader对象的数据源 ################################ DataLoader对象通过 :code:`set_sample_generator()` ， :code:`set_sample_list_generator` 和 :code:`set_batch_generator()` 方法设置其数据源。 这三个方法均接收Python生成器 :code:`generator` 作为参数，其区别在于： - :code:`set_sample_generator()` 要求 :code:`generator` 返回的数据格式为[img_1, label_1]，其中img_1和label_1为单个样本的Numpy Array类型数据。 - :code:`set_sample_list_generator()` 要求 :code:`generator` 返回的数据格式为[(img_1, label_1), (img_2, label_2), ..., (img_n, label_n)]，其中img_i和label_i均为每个样本的Numpy Array类型数据，n为batch size。 - :code:`set_batch_generator()` 要求 :code:`generator` 返回的数据的数据格式为[batched_imgs, batched_labels]，其中batched_imgs和batched_labels为batch级的Numpy Array或LoDTensor类型数据。 值得注意的是，使用DataLoader做多GPU卡（或多CPU核）训练时，实际的总batch size为用户传入的 :code:`generator` 的batch size乘以设备数量。 当DataLoader的iterable=True（默认）时，必须给这三个方法传 :code:`places` 参数， 指定将读取的数据转换为CPU Tensor还是GPU Tensor。当DataLoader的iterable=False时，不需传places参数。 例如，假设我们有两个reader，其中fake_sample_reader每次返回一个sample的数据，fake_batch_reader每次返回一个batch的数据。 .. code-block:: python import paddle.fluid as fluid import numpy as np # sample级reader def fake_sample_reader(): for _ in range(100): sample_image = np.random.random(size=(784, )).astype('float32') sample_label = np.random.random_integers(size=(1, ), low=0, high=9).astype('int64') yield sample_image, sample_label # batch级reader def fake_batch_reader(): batch_size = 32 for _ in range(100): batch_image = np.random.random(size=(batch_size, 784)).astype('float32') batch_label = np.random.random_integers(size=(batch_size, 1), low=0, high=9).astype('int64') yield batch_image, batch_label image1 = fluid.data(name='image1', dtype='float32', shape=[None, 784]) label1 = fluid.data(name='label1', dtype='int64', shape=[None, 1]) image2 = fluid.data(name='image2', dtype='float32', shape=[None, 784]) label2 = fluid.data(name='label2', dtype='int64', shape=[None, 1]) image3 = fluid.data(name='image3', dtype='float32', shape=[None, 784]) label3 = fluid.data(name='label3', dtype='int64', shape=[None, 1]) 对应的DataLoader设置如下： .. code-block:: python import paddle import paddle.fluid as fluid ITERABLE = True USE_CUDA = True USE_DATA_PARALLEL = True if ITERABLE: # 若DataLoader可迭代，则必须设置places参数 if USE_DATA_PARALLEL: # 若进行多GPU卡训练，则取所有的CUDAPlace # 若进行多CPU核训练，则取多个CPUPlace，本例中取了8个CPUPlace places = fluid.cuda_places() if USE_CUDA else fluid.cpu_places(8) else: # 若进行单GPU卡训练，则取单个CUDAPlace，本例中0代表0号GPU卡 # 若进行单CPU核训练，则取单个CPUPlace，本例中1代表1个CPUPlace places = fluid.cuda_places(0) if USE_CUDA else fluid.cpu_places(1) else: # 若DataLoader不可迭代，则不需要设置places参数 places = None # 使用sample级的reader作为DataLoader的数据源 data_loader1 = fluid.io.DataLoader.from_generator(feed_list=[image1, label1], capacity=10, iterable=ITERABLE) data_loader1.set_sample_generator(fake_sample_reader, batch_size=32, places=places) # 使用sample级的reader + fluid.io.batch设置DataLoader的数据源 data_loader2 = fluid.io.DataLoader.from_generator(feed_list=[image2, label2], capacity=10, iterable=ITERABLE) sample_list_reader = fluid.io.batch(fake_sample_reader, batch_size=32) sample_list_reader = fluid.io.shuffle(sample_list_reader, buf_size=64) # 还可以进行适当的shuffle data_loader2.set_sample_list_generator(sample_list_reader, places=places) # 使用batch级的reader作为DataLoader的数据源 data_loader3 = fluid.io.DataLoader.from_generator(feed_list=[image3, label3], capacity=10, iterable=ITERABLE) data_loader3.set_batch_generator(fake_batch_reader, places=places) 使用DataLoader进行模型训练和测试 ################################ 使用DataLoader进行模型训练和测试的例程如下。 - 第一步，我们需组建训练网络和预测网络，并定义相应的DataLoader对象，设置好DataLoader对象的数据源。 .. code-block:: python import paddle import paddle.fluid as fluid import paddle.dataset.mnist as mnist import six ITERABLE = True def network(): # 创建数据层对象 image = fluid.data(name='image', dtype='float32', shape=[None, 784]) label = fluid.data(name='label', dtype='int64', shape=[None, 1]) # 创建DataLoader对象 reader = fluid.io.DataLoader.from_generator(feed_list=[image, label], capacity=64, iterable=ITERABLE) # Definition of models fc = fluid.layers.fc(image, size=10) xe = fluid.layers.softmax_with_cross_entropy(fc, label) loss = fluid.layers.reduce_mean(xe) return loss , reader # 创建训练的main_program和startup_program train_prog = fluid.Program() train_startup = fluid.Program() # 定义训练网络 with fluid.program_guard(train_prog, train_startup): # fluid.unique_name.guard() to share parameters with test network with fluid.unique_name.guard(): train_loss, train_loader = network() adam = fluid.optimizer.Adam(learning_rate=0.01) adam.minimize(train_loss) # 创建预测的main_program和startup_program test_prog = fluid.Program() test_startup = fluid.Program() # 定义预测网络 with fluid.program_guard(test_prog, test_startup): # Use fluid.unique_name.guard() to share parameters with train network with fluid.unique_name.guard(): test_loss, test_loader = network() place = fluid.CUDAPlace(0) exe = fluid.Executor(place) # 运行startup_program进行初始化 exe.run(train_startup) exe.run(test_startup) # Compile programs train_prog = fluid.CompiledProgram(train_prog).with_data_parallel(loss_name=train_loss.name) test_prog = fluid.CompiledProgram(test_prog).with_data_parallel(share_vars_from=train_prog) # 设置DataLoader的数据源 places = fluid.cuda_places() if ITERABLE else None train_loader.set_sample_list_generator( fluid.io.shuffle(fluid.io.batch(mnist.train(), 512), buf_size=1024), places=places) test_loader.set_sample_list_generator(fluid.io.batch(mnist.test(), 512), places=places) - 第二步：根据DataLoader对象是否iterable，选用不同的方式运行网络。 若iterable=True，则DataLoader对象是一个Python的生成器，可直接for-range迭代。for-range返回的结果通过exe.run的feed参数传入执行器。 .. code-block:: python def run_iterable(program, exe, loss, data_loader): for data in data_loader(): loss_value = exe.run(program=program, feed=data, fetch_list=[loss]) print('loss is {}'.format(loss_value)) for epoch_id in six.moves.range(10): run_iterable(train_prog, exe, train_loss, train_loader) run_iterable(test_prog, exe, test_loss, test_loader) 若iterable=False，则需在每个epoch开始前，调用 :code:`start()` 方法启动DataLoader对象；并在每个epoch结束时，exe.run会抛出 :code:`fluid.core.EOFException` 异常，在捕获异常后调用 :code:`reset()` 方法重置DataLoader对象的状态， 以便启动下一轮的epoch。iterable=False时无需给exe.run传入feed参数。具体方式为： .. code-block:: python def run_non_iterable(program, exe, loss, data_loader): data_loader.start() try: while True: loss_value = exe.run(program=program, fetch_list=[loss]) print('loss is {}'.format(loss_value)) except fluid.core.EOFException: print('End of epoch') data_loader.reset() for epoch_id in six.moves.range(10): run_non_iterable(train_prog, exe, train_loss, train_loader) run_non_iterable(test_prog, exe, test_loss, test_loader)