如何加快张量流的训练速度？

Question

现在基于tensorflow-char-rnn我开始一个word-rnn项目来预测下一个单词.但我发现我的火车数据集的速度太慢了.这是我的培训细节:

• 培训数据量:10亿字
• 词汇量:0.75百万
• RNN型号:lstm
• RNN层:2
• 细胞大小:200
• 序号:20
• 批量大小:40(太大的批量大小将导致OOM异常)

机器细节:

• 亚马逊p2实例
• 1核K80 GPU
• 16G视频内存
• 4核CPU
• 60G内存

在我的测试中,训练数据1个时代的时间需要17天!这真的太慢了​​,然后我将seq2seq.rnn_decoder更改为tf.nn.dynamic_rnn,但时间仍然是17天.

我想找到太慢的原因是由我的代码引起的,或者它总是那么慢？因为我听到一些传言称Tensorflow rnn比其他DL Framework慢.

这是我的型号代码:

class SeqModel():
def __init__(self, config, infer=False):
    self.args = config
    if infer:
        config.batch_size = 1
        config.seq_length = 1

    if config.model == 'rnn':
        cell_fn = rnn_cell.BasicRNNCell
    elif config.model == 'gru':
        cell_fn = rnn_cell.GRUCell
    elif config.model == 'lstm':
        cell_fn = rnn_cell.BasicLSTMCell
    else:
        raise Exception("model type not supported: {}".format(config.model))

    cell = cell_fn(config.hidden_size)

    self.cell = cell = rnn_cell.MultiRNNCell([cell] * config.num_layers)

    self.input_data = tf.placeholder(tf.int32, [config.batch_size, config.seq_length])
    self.targets = tf.placeholder(tf.int32, [config.batch_size, config.seq_length])
    self.initial_state = cell.zero_state(config.batch_size, tf.float32)

    with tf.variable_scope('rnnlm'):
        softmax_w = tf.get_variable("softmax_w", [config.hidden_size, config.vocab_size])
        softmax_b = tf.get_variable("softmax_b", [config.vocab_size])

        embedding = tf.get_variable("embedding", [config.vocab_size, config.hidden_size])
        inputs = tf.nn.embedding_lookup(embedding, self.input_data)


    outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=self.initial_state)

    # [seq_size * batch_size, hidden_size]
    output = tf.reshape(tf.concat(1, outputs), [-1, config.hidden_size])

    self.logits = tf.matmul(output, softmax_w) + softmax_b
    self.probs = tf.nn.softmax(self.logits)

    self.final_state = last_state


    loss = seq2seq.sequence_loss_by_example([self.logits],
                                            [tf.reshape(self.targets, [-1])],
                                            [tf.ones([config.batch_size * config.seq_length])],
                                            config.vocab_size)
    self.cost = tf.reduce_sum(loss) / config.batch_size / config.seq_length

    self.lr = tf.Variable(0.0, trainable=False)
    tvars = tf.trainable_variables()
    grads, _ = tf.clip_by_global_norm(tf.gradients(self.cost, tvars),
                                      config.grad_clip)
    optimizer = tf.train.AdamOptimizer(self.lr)
    self.train_op = optimizer.apply_gradients(zip(grads, tvars))

这是训练期间的GPU负载

非常感谢.

Answer 1

正如你提到的那样,batch_size对调整非常重要,它可以带来令人印象深刻的加速,但要检查你的困惑是否具有相关性.

监控GPU活动可以为您提供有关潜在I/O瓶颈的提示.

最重要的是,使用采样softmax而不是常规softmax更快.这将要求您使用[config.vocab_size, config.hidden_size]权重矩阵而不是您[config.hidden_size, config.vocab_size].这绝对是我的观点.

希望这可以帮助.

pltrdy