CNTK - 内存不足数据集

本章将解释如何测量内存不足数据集的性能。

在前面的部分中，我们讨论了各种方法来验证 NN 的性能，但我们讨论的方法是处理适合内存的数据集的方法。

这里出现了一个问题，那就是内存不足数据集怎么办，因为在生产场景中，我们需要大量数据来训练 NN。在本节中，我们将讨论如何在使用小批量源和手动小批量循环时测量性能。

小批量源

在使用内存不足的数据集(即小批量源)时，我们需要的损失和度量设置与使用小数据集(即内存数据集)时使用的设置略有不同。首先，我们将了解如何设置一种将数据提供给 NN 模型训练器的方法。

以下是实施步骤−

步骤 1 − 首先，从 cntk.io 模块导入用于创建小批量源的组件，如下所示 −

from cntk.io import StreamDef, StreamDefs, MinibatchSource, CTFDeserializer,
 INFINITY_REPEAT
 

步骤 2 − 接下来，创建一个名为 create_datasource 的新函数。此函数将有两个参数，即 filename 和 limit，默认值为 INFINITELY_REPEAT。

def create_datasource(filename, limit =INFINITELY_REPEAT)

步骤 3 − 现在，在函数内，使用 StreamDef 类为标签创建一个流定义，该流定义从具有三个特征的标签字段中读取。我们还需要将 is_sparse 设置为 False，如下所示−

labels_stream = StreamDef(field='labels', shape=3, is_sparse=False)

步骤 4 − 接下来，创建从输入文件中读取特征文件，创建另一个 StreamDef 实例，如下所示。

feature_stream = StreamDef(field='features', shape=4, is_sparse=False)

步骤 5 − 现在，初始化 CTFDeserializer 实例类。指定我们需要反序列化的文件名和流，如下所示 −

deserializer = CTFDeserializer(filename, StreamDefs(labels=
label_stream, features=features_stream)

步骤 6 − 接下来，我们需要使用反序列化器创建 minisourceBatch 实例，如下所示 −

Minibatch_source = MinibatchSource(deserializer, randomize=True, max_sweeps=limit)
return minibatch_source

步骤 7 − 最后，我们需要提供训练和测试源，这也是我们在前面部分中创建的。我们使用鸢尾花数据集。

training_source = create_datasource('Iris_train.ctf')
test_source = create_datasource('Iris_test.ctf', limit=1)

创建 MinibatchSource 实例后，我们需要对其进行训练。我们可以使用与处理小型内存数据集时相同的训练逻辑。在这里，我们将使用 MinibatchSource 实例作为损失函数训练方法的输入，如下所示 −

以下是实施步骤 −

步骤 1 − 为了记录训练课程的输出，首先从 cntk.logging 模块导入 ProgressPrinter，如下所示 −

from cntk.logging import ProgressPrinter

步骤 2 − 接下来，要设置训练课程，请从 cntk.train 模块导入 trainer 和 training_session ，如下所示−

from cntk.train import Trainer, training_session

步骤 3 −现在，我们需要定义一些常量集，如 minibatch_size、samples_per_epoch 和 num_epochs，如下所示−

minbatch_size = 16
samples_per_epoch = 150
num_epochs = 30
max_samples = samples_per_epoch * num_epochs

步骤 4 − 接下来，为了了解如何在 CNTK 中训练期间读取数据，我们需要定义网络输入变量与 minibatch 源中的流之间的映射。

input_map = {
   features: training_source.streams.features,
   labels: training_source.streams.labels
}

步骤 5 − 接下来，要记录训练过程的输出，请使用新的 ProgressPrinter 实例初始化 progress_printer 变量。此外，初始化 trainer 并为其提供模型，如下所示−

progress_writer = ProgressPrinter(0)
trainer: training_source.streams.labels

步骤 6 − 最后，要启动训练过程，我们需要调用 training_session 函数，如下所示 −

session = training_session(trainer,
   mb_source=training_source,
   mb_size=minibatch_size,
   model_inputs_to_streams=input_map,
   max_samples=max_samples,
   test_config=test_config)
session.train()

一旦我们训练了模型，我们就可以使用 TestConfig 对象向此设置添加验证，并将其分配给 train_session 函数的 test_config 关键字参数。

以下是实施步骤−

步骤 1 − 首先，我们需要从模块 cntk.train 导入 TestConfig 类，如下所示−

from cntk.train import TestConfig

步骤 2 −现在，我们需要创建一个新的 TestConfig 实例，并以 test_source 作为输入−

Test_config = TestConfig(test_source)

完整示例

from cntk.io import StreamDef, StreamDefs, MinibatchSource, CTFDeserializer, INFINITY_REPEAT
def create_datasource(filename, limit =INFINITELY_REPEAT)
labels_stream = StreamDef(field=’labels’, shape=3, is_sparse=False)
feature_stream = StreamDef(field=’features’, shape=4, is_sparse=False)
deserializer = CTFDeserializer(filename, StreamDefs(labels=label_stream, features=features_stream)
Minibatch_source = MinibatchSource(deserializer, randomize=True, max_sweeps=limit)
return minibatch_source
training_source = create_datasource(‘Iris_train.ctf’)
test_source = create_datasource(‘Iris_test.ctf’, limit=1)
from cntk.logging import ProgressPrinter
from cntk.train import Trainer, training_session
minbatch_size = 16
samples_per_epoch = 150
num_epochs = 30
max_samples = samples_per_epoch * num_epochs
input_map = {
   features:   training_source.streams.features,
   labels: training_source.streams.labels
 }
progress_writer = ProgressPrinter(0)
trainer: training_source.streams.labels
session = training_session(trainer,
   mb_source=training_source,
   mb_size=minibatch_size,
   model_inputs_to_streams=input_map,
   max_samples=max_samples,
   test_config=test_config)
session.train()
from cntk.train import TestConfig
Test_config = TestConfig(test_source)

输出

-------------------------------------------------------------------
average   since   average   since  examples
loss      last    metric    last
------------------------------------------------------
Learning rate per minibatch: 0.1
1.57      1.57     0.214    0.214   16
1.38      1.28     0.264    0.289   48
[………]
Finished Evaluation [1]: Minibatch[1-1]:metric = 69.65*30;

手动小批量循环

如上所示，使用 CNTK 中的常规 API 进行训练时使用的指标，可以轻松衡量训练期间和训练后 NN 模型的性能。但是，另一方面，使用手动小批量循环时事情就没那么容易了。

在这里，我们使用下面给出的模型，该模型有 4 个输入和 3 个输出，这些输入和输出均来自鸢尾花数据集，该数据集也是在前面几节中创建的−

from cntk import default_options, input_variable
from cntk.layers import Dense, Sequential
from cntk.ops import log_softmax, relu, sigmoid
from cntk.learners import sgd
model = Sequential([
   Dense(4, activation=sigmoid),
   Dense(3, activation=log_softmax)
])
features = input_variable(4)
labels = input_variable(3)
z = model(features)

接下来，将模型的损失定义为交叉熵损失函数和前几节中使用的 F 度量指标的组合。我们将使用 criterion_factory 实用程序将其创建为 CNTK 函数对象，如下所示 −

import cntk
from cntk.losses import cross_entropy_with_softmax, fmeasure
@cntk.Function
def criterion_factory(outputs, targets):
   loss = cross_entropy_with_softmax(outputs, targets)
   metric = fmeasure(outputs, targets, beta=1)
   return loss, metric
loss = criterion_factory(z, labels)
learner = sgd(z.parameters, 0.1)
label_mapping = {
   'Iris-setosa': 0,
   'Iris-versicolor': 1,
   'Iris-virginica': 2
}

现在，我们已经定义了损失函数，我们将看到如何在训练器中使用它来设置手动训练课程。

以下是实施步骤 −

步骤 1 − 首先，我们需要导入所需的包，如 numpy 和 pandas 来加载和预处理数据。

import pandas as pd
import numpy as np

步骤 2 − 接下来，为了在训练期间记录信息，请按如下方式导入 ProgressPrinter 类−

from cntk.logging import ProgressPrinter

步骤 3 −然后，我们需要从 cntk.train 模块导入 trainer 模块，如下所示 −

from cntk.train import Trainer

步骤 4 − 接下来，创建一个新的 ProgressPrinter 实例，如下所示 −

progress_writer = ProgressPrinter(0)

步骤 5 −现在，我们需要使用损失、学习者和 progress_writer 参数初始化训练器，如下所示 −

trainer = Trainer(z, loss, learner, progress_writer)

步骤 6 −接下来，为了训练模型，我们将创建一个循环，该循环将在数据集上迭代三十次。这将是外部训练循环。

for _ in range(0,30):

步骤 7 −现在，我们需要使用 pandas 从磁盘加载数据。然后，为了以小批量的形式加载数据集，请将chunksize关键字参数设置为 16。

input_data = pd.read_csv('iris.csv',
names=['sepal_length', 'sepal_width','petal_length','petal_width', 'species'],
index_col=False, chunksize=16)

步骤 8 − 现在，创建一个内部训练 for 循环来迭代每个小批量。

for df_batch in input_data:

步骤 9 −现在在这个循环中，使用 iloc 索引器读取前四列，作为要训练的特征，并将它们转换为 float32 −

feature_values = df_batch.iloc[:,:4].values
feature_values = feature_values.astype(np.float32)

步骤 10 − 现在，将最后一列读取为要训练的标签，如下所示 −

label_values = df_batch.iloc[:,-1]

步骤 11 − 接下来，我们将使用独热向量将标签字符串转换为其数字表示形式，如下所示 −

label_values = label_values.map(lambda x: label_mapping[x])

步骤 12 − 之后，获取标签的数字表示形式。接下来，将它们转换为 numpy 数组，这样更容易使用它们，如下所示 −

label_values = label_values.values

步骤 13 − 现在，我们需要创建一个新的 numpy 数组，其行数与我们转换的标签值相同。

encoded_labels = np.zeros((label_values.shape[0], 3))

步骤 14 −现在，为了创建独热编码标签，请根据数字标签值选择列。

encoded_labels[np.arange(label_values.shape[0]), label_values] = 1.

步骤 15 − 最后，我们需要在训练器上调用 train_minibatch 方法，并为小批量提供处理后的特征和标签。

trainer.train_minibatch({features: feature_values, labels:coded_labels})

完整示例

from cntk import default_options, input_variable
from cntk.layers import Dense, Sequential
from cntk.ops import log_softmax, relu, sigmoid
from cntk.learners import sgd
model = Sequential([
   Dense(4, activation=sigmoid),
   Dense(3, activation=log_softmax)
])
features = input_variable(4)
labels = input_variable(3)
z = model(features)
import cntk
from cntk.losses import cross_entropy_with_softmax, fmeasure
@cntk.Function
def criterion_factory(outputs, targets):
   loss = cross_entropy_with_softmax(outputs, targets)
   metric = fmeasure(outputs, targets, beta=1)
   return loss, metric
loss = criterion_factory(z, labels)
learner = sgd(z.parameters, 0.1)
label_mapping = {
   'Iris-setosa': 0,
   'Iris-versicolor': 1,
   'Iris-virginica': 2
}
import pandas as pd
import numpy as np
from cntk.logging import ProgressPrinter
from cntk.train import Trainer
progress_writer = ProgressPrinter(0)
trainer = Trainer(z, loss, learner, progress_writer)
for _ in range(0,30):
   input_data = pd.read_csv('iris.csv',
      names=['sepal_length', 'sepal_width','petal_length','petal_width', 'species'],
      index_col=False, chunksize=16)
for df_batch in input_data:
   feature_values = df_batch.iloc[:,:4].values
   feature_values = feature_values.astype(np.float32)
   label_values = df_batch.iloc[:,-1]
label_values = label_values.map(lambda x: label_mapping[x])
label_values = label_values.values
   encoded_labels = np.zeros((label_values.shape[0], 3))
   encoded_labels[np.arange(label_values.shape[0]), 
label_values] = 1.
   trainer.train_minibatch({features: feature_values, labels: encoded_labels})

输出

-------------------------------------------------------------------
average    since    average   since  examples
loss       last      metric   last
------------------------------------------------------
Learning rate per minibatch: 0.1
1.45       1.45     -0.189    -0.189   16
1.24       1.13     -0.0382    0.0371  48
[………]

在上面的输出中，我们得到了训练期间损失和指标的输出。这是因为我们将指标和损失组合在一个函数对象中，并在训练器配置中使用了进度打印机。

现在，为了评估模型性能，我们需要执行与训练模型相同的任务，但这一次，我们需要使用 Evaluator 实例来测试模型。它显示在以下 Python 代码中 −

from cntk import Evaluator
evaluator = Evaluator(loss.outputs[1], [progress_writer])
input_data = pd.read_csv('iris.csv',
   names=['sepal_length', 'sepal_width','petal_length','petal_width', 'species'],
index_col=False, chunksize=16)
for df_batch in input_data:
   feature_values = df_batch.iloc[:,:4].values
   feature_values = feature_values.astype(np.float32)
   label_values = df_batch.iloc[:,-1]
   label_values = label_values.map(lambda x: label_mapping[x])
   label_values = label_values.values
   encoded_labels = np.zeros((label_values.shape[0], 3))
   encoded_labels[np.arange(label_values.shape[0]), label_values] = 1.
   evaluator.test_minibatch({ features: feature_values, labels:
      encoded_labels})
evaluator.summarize_test_progress()

现在，我们将获得类似下面的输出 −

输出

Finished Evaluation [1]: Minibatch[1-11]:metric = 74.62*143;