RNN Tensorflow减速现象-Java 学习之路

我发现了lstm细胞的特殊属性（不限于lstm，但我只用这个检查过）的张量流，据我所知还没有报道 . 我不知道它是否真的有，所以我把这篇文章留在了SO中 . 以下是此问题的玩具代码：

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 . 出于某些原因，在我的真实代码中，我碰巧将[：， - 1：，：]放入'rnn_states' . 然后发生了什么 the time spent for each 'sess.run()' increases . 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得到输出 . 如果你执行'outputs, output_h = sess.run([rnn_states, rnn_hidden_cm], feed_dict{~' w / o [：， - 1：，：]并在'sess.run()'之后取'last_output = outputs[:,-1:,:]'，则不会发生减速 .

我不知道为什么这个指数增量的时间发生在[：， - 1：，：]运行 . 这是张量流的本质还没有记录，但特别慢（可能是自己添加更多的图形？）？谢谢你，希望这篇文章不会给其他用户带来这个错误 .

2 回答

我遇到了同样的问题，TensorFlow在我运行它的每次迭代时都会减慢，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 . 希望它可以指向某人正确的方向并节省他们一些时间 .

在我的情况下，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，我每次重复都重新声明 outputs ， final_state 和 prediction . https://github.com/tensorflow/tensorflow/issues/1439#issuecomment-194405649的答案让我意识到这是多么愚蠢......我不断在每次迭代中创建新的图形节点，使它变得越来越慢 . 有问题的代码看起来像这样：

# 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})

解决方案当然只是在开始时声明一次节点，并使用 feed_dict 提供新数据 . 代码从半慢（开始时> 15 ms）变为每次迭代变慢，在大约1 ms内执行每次迭代 . 我的新代码看起来像这样：

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

从for循环中移出声明也消除了OP sdr2002所具有的问题，在for循环内的 sess.run() 中执行切片 outputs[-1] .

回复于 2024-05-12T14:31:11+08:00

如上所述，对于这种情况，“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

回复于 2024-05-12T14:31:11+08:00

RNN Tensorflow减速现象

2 回答

相关问题