大HDF5数据集，如何在每个时期后有效地洗牌

Question

我目前正在使用大型图片数据集（约60GB）来训练CNN（Keras / Tensorflow）以完成简单的分类任务。图像是视频帧，因此在时间上高度相关，因此在生成巨大的.hdf5文件时，我已经对数据进行了一次重洗。一个简单的批处理生成器（请参见下面的代码）。现在我的问题是：通常建议在每个训练时期之后对数据进行混洗，对吗？（出于SGD收敛的原因？）但是要做到这一点，我必须在每个时期之后加载整个数据集并对其进行混洗，这正是我要避免使用批处理生成器的原因……所以：在每个时期之后重新整理数据集真的重要吗？如果是，我如何才能尽可能高效地做到这一点？这是我的批处理生成器的当前代码：

def generate_batches_from_hdf5_file(hdf5_file, batch_size, dimensions, num_classes):
"""
Generator that returns batches of images ('xs') and labels ('ys') from a h5 file.
"""
filesize = len(hdf5_file['labels'])

while 1:
    # count how many entries we have read
    n_entries = 0
    # as long as we haven't read all entries from the file: keep reading
    while n_entries < (filesize - batch_size):
        # start the next batch at index 0
        # create numpy arrays of input data (features)
        xs = hdf5_file['images'][n_entries: n_entries + batch_size]
        xs = np.reshape(xs, dimensions).astype('float32')

        # and label info. Contains more than one label in my case, e.g. is_dog, is_cat, fur_color,...
        y_values = hdf5_file['labels'][n_entries:n_entries + batch_size]
        #ys = keras.utils.to_categorical(y_values, num_classes)
        ys = to_categorical(y_values, num_classes)

        # we have read one more batch from this file
        n_entries += batch_size
        yield (xs, ys)

Answer 1

是的，洗牌可以提高性能，因为每次以相同的顺序运行数据可能会让您陷入次优区域。

不要打乱整个数据。创建数据索引列表，然后对其进行打乱。然后按顺序移动索引列表并使用其值从数据集中选取数据。