保存到hdf5非常慢（Python冻结）

我正在尝试将瓶颈值保存到新创建的hdf5文件中。 瓶颈值以批的形式出现

（120,10,102048）

。 保存一个单独的批处理占用了超过16个Gig，python在这一批处理上似乎已经冻结了。根据最近的发现（见更新），hdf5占用大内存似乎没有问题，但冻结部分似乎是一个小故障

我只想保存第一批2批用于测试目的，并且只保存 训练数据集（再一次，这是一个测试运行），但我甚至无法通过第一批。它只是在第一批暂停，不会循环到下一个迭代。如果我尝试检查hdf5，资源管理器将变慢，Python将冻结。如果我尝试杀死Python（即使不检查hdf5文件），Python无法正常关闭，并强制重新启动

以下是相关代码和数据：

总数据点约为90000 ish，分120批发布

Bottleneck shape is (120,10,10,2048)

所以我要保存的第一批是

（120,10,102048）

以下是我如何尝试保存数据集：

with h5py.File(hdf5_path, mode='w') as hdf5:
                hdf5.create_dataset("train_bottle", train_shape, np.float32)
                hdf5.create_dataset("train_labels", (len(train.filenames), params['bottle_labels']),np.uint8)
                hdf5.create_dataset("validation_bottle", validation_shape, np.float32)
                hdf5.create_dataset("validation_labels",
                                              (len(valid.filenames),params['bottle_labels']),np.uint8)



 #this first part above works fine

                current_iteration = 0
                print('created_datasets')
                for x, y in train:

                    number_of_examples = len(train.filenames) # number of images
                    prediction = model.predict(x)
                    labels = y
                    print(prediction.shape) # (120,10,10,2048)
                    print(y.shape) # (120, 12)
                    print('start',current_iteration*params['batch_size']) # 0
                    print('end',(current_iteration+1) * params['batch_size']) # 120

                    hdf5["train_bottle"][current_iteration*params['batch_size']: (current_iteration+1) * params['batch_size'],...] = prediction
                    hdf5["train_labels"][current_iteration*params['batch_size']: (current_iteration+1) * params['batch_size'],...] = labels
                    current_iteration += 1
                    print(current_iteration)
                    if current_iteration == 3:
                       break

这是打印语句的输出：

(90827, 10, 10, 2048) # print(train_shape)

(6831, 10, 10, 2048)  # print(validation_shape)
created_datasets
(120, 10, 10, 2048)  # print(prediction.shape)
(120, 12)           #label.shape
start 0             #start of batch
end 120             #end of batch

# Just stalls here instead of printing `print(current_iteration)`

它只是在这里暂停了一段时间（20分钟以上），hdf5文件慢慢变大（现在大约20 Gig，在我强制杀戮之前）。实际上我甚至不能用task manager强制杀戮，我必须重新启动操作系统，在这种情况下要真正杀掉Python

更新 在使用我的代码一段时间后，似乎出现了一个奇怪的bug/行为

有关部分如下：

          hdf5["train_bottle"][current_iteration*params['batch_size']: (current_iteration+1) * params['batch_size'],...] = prediction
                hdf5["train_labels"][current_iteration*params['batch_size']: (current_iteration+1) * params['batch_size'],...] = labels

如果我运行这两行中的任何一行，我的脚本将经过迭代，并按预期自动中断。因此，如果我运行这两行中的任何一行，都不会冻结。这也会发生得相当快——不到一分钟

如果我运行第一行

（'train_-balk'）

，我的内存将占用大约69-72 Gig，即使只是几个批次。如果我尝试更多批次，内存是相同的。因此我假设

train_-balk

根据我分配数据集的大小参数决定存储，而不是在数据集填满时。 因此，尽管有72场演出，它运行得相当快（一分钟）

如果我运行第二行，

train\u labels

，我的内存会占用几兆字节。 迭代没有问题，执行break语句

但是，如果我尝试运行这两条线路，问题就出现了（在我的情况下，这是必要的，因为我需要保存“train\u瓶子”和“train\u标签”），我在第一次迭代时遇到了冻结，即使在20分钟后，它也不会继续到第二次迭代。Hdf5文件正在缓慢增长，但如果我尝试访问它，Windows资源管理器会慢到一个蜗牛，我无法关闭Python--我必须重新启动操作系统

---

因此，我不确定尝试运行这两行时会出现什么问题——就像我运行内存不足的

train\u data

行一样，if工作正常并在一分钟内结束。

将数据写入HDF5

如果在未指定chunkshape的情况下写入分块数据集，h5py将自动为您执行此操作。由于h5py不知道如何从数据集中写入或读取数据，因此这通常会导致性能下降

您还使用默认的区块缓存大小1 MB。如果您只写入区块的一部分，而区块不适合缓存（很可能是1MP区块缓存大小），整个数据块将在内存中读取、修改并写回磁盘。如果这种情况发生多次，您将看到远远超过HDD/SSD顺序IO速度的性能

在下面的例子中，我假设您只沿着第一个维度进行读写。如果没有，则必须根据您的需要进行修改

import numpy as np
import tables #register blosc
import h5py as h5
import h5py_cache as h5c
import time

batch_size=120
train_shape=(90827, 10, 10, 2048)
hdf5_path='Test.h5'
# As we are writing whole chunks here this isn't realy needed,
# if you forget to set a large enough chunk-cache-size when not writing or reading 
# whole chunks, the performance will be extremely bad. (chunks can only be read or written as a whole)
f = h5c.File(hdf5_path, 'w',chunk_cache_mem_size=1024**2*200) #200 MB cache size
dset_train_bottle = f.create_dataset("train_bottle", shape=train_shape,dtype=np.float32,chunks=(10, 10, 10, 2048),compression=32001,compression_opts=(0, 0, 0, 0, 9, 1, 1), shuffle=False)
prediction=np.array(np.arange(120*10*10*2048),np.float32).reshape(120,10,10,2048)
t1=time.time()
#Testing with 2GB of data
for i in range(20):
    #prediction=np.array(np.arange(120*10*10*2048),np.float32).reshape(120,10,10,2048)
    dset_train_bottle[i*batch_size:(i+1)*batch_size,:,:,:]=prediction

f.close()
print(time.time()-t1)
print("MB/s: " + str(2000/(time.time()-t1)))

编辑 循环中的数据创建花费了相当多的时间，因此我在时间测量之前创建了数据

这将提供至少900 MB/s的吞吐量（CPU有限）。使用真实数据和较低的压缩比，您应该可以轻松达到硬盘的顺序IO速度

如果多次调用此块出错，则使用with语句打开HDF5文件也可能导致性能下降。这将关闭并重新打开文件，删除区块缓存

为了确定正确的块大小，我还建议：

---

将数据写入HDF5

如果在未指定chunkshape的情况下写入分块数据集，h5py将自动为您执行此操作。由于h5py不知道如何从数据集中写入或读取数据，因此这通常会导致性能下降

您还使用默认的区块缓存大小1 MB。如果您只写入区块的一部分，而区块不适合缓存（很可能是1MP区块缓存大小），整个数据块将在内存中读取、修改并写回磁盘。如果这种情况发生多次，您将看到远远超过HDD/SSD顺序IO速度的性能

在下面的例子中，我假设您只沿着第一个维度进行读写。如果没有，则必须根据您的需要进行修改

import numpy as np
import tables #register blosc
import h5py as h5
import h5py_cache as h5c
import time

batch_size=120
train_shape=(90827, 10, 10, 2048)
hdf5_path='Test.h5'
# As we are writing whole chunks here this isn't realy needed,
# if you forget to set a large enough chunk-cache-size when not writing or reading 
# whole chunks, the performance will be extremely bad. (chunks can only be read or written as a whole)
f = h5c.File(hdf5_path, 'w',chunk_cache_mem_size=1024**2*200) #200 MB cache size
dset_train_bottle = f.create_dataset("train_bottle", shape=train_shape,dtype=np.float32,chunks=(10, 10, 10, 2048),compression=32001,compression_opts=(0, 0, 0, 0, 9, 1, 1), shuffle=False)
prediction=np.array(np.arange(120*10*10*2048),np.float32).reshape(120,10,10,2048)
t1=time.time()
#Testing with 2GB of data
for i in range(20):
    #prediction=np.array(np.arange(120*10*10*2048),np.float32).reshape(120,10,10,2048)
    dset_train_bottle[i*batch_size:(i+1)*batch_size,:,:,:]=prediction

f.close()
print(time.time()-t1)
print("MB/s: " + str(2000/(time.time()-t1)))

编辑 循环中的数据创建花费了相当多的时间，因此我在时间测量之前创建了数据

这将提供至少900 MB/s的吞吐量（CPU有限）。使用真实数据和较低的压缩比，您应该可以轻松达到硬盘的顺序IO速度

如果多次调用此块出错，则使用with语句打开HDF5文件也可能导致性能下降。这将关闭并重新打开文件，删除区块缓存

为了确定正确的块大小，我还建议：

---

如果您有足够的DDR内存，并且想要极快的数据加载和保存性能，请直接使用np.load（）和np.save（）。 np.load（）和np.save（）可以提供最快的数据加载和保存性能，