Python TensorFlow中简单前馈神经网络GPU训练的有效示例实现？也许是tf数据？

我刚开始使用TensorFlow的GPU版本，希望它能加快前馈神经网络的训练。我能够在我的GPU（GTX1080ti）上进行训练，但不幸的是，它并没有明显快于在我的CPU（i7-8700K）上进行同样的训练，而我目前的实现方式就是这样。在培训期间，GPU几乎没有被使用，这让我怀疑我的实现中的瓶颈是如何使用feed_dict将数据从主机复制到设备

我听说TensorFlow有一个叫做“tf.data”的管道，该管道可以使向GPU等提供数据变得更容易、更快速。但是，我还没有找到任何简单的例子，在这些例子中，这个概念被应用到多层感知器训练中，以替代feed_dict

有人知道这样一个例子吗？能给我指一下吗？最好尽可能简单，因为我对TensorFlow基本上是新手。或者在我当前的实现中是否还有其他需要更改的内容以提高效率？我正在粘贴我在这里的代码：

import tensorflow as tf
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
tf.reset_default_graph()   
import time

# Function for iris dataset.
def get_iris_data():
    iris   = datasets.load_iris()
    data   = iris["data"]
    target = iris["target"]

    # Convert to one-hot vectors
    num_labels = len(np.unique(target))
    all_Y = np.eye(num_labels)[target]
    return train_test_split(data, all_Y, test_size=0.33, random_state=89)
# Function which initializes tensorflow weights & biases for feed-forward NN.
def InitWeights(LayerSizes):
    with tf.device('/gpu:0'):
        # Make tf placeholders for network inputs and outputs.
        X = tf.placeholder( shape = (None,LayerSizes[0]),
                            dtype = tf.float32,
                            name ='InputData')
        y = tf.placeholder( shape = (None,LayerSizes[-1]),
                            dtype = tf.float32,
                            name ='OutputData')
        # Initialize weights and biases.
        W = {}; b = {};
        for ii in range(len(LayerSizes)-1):
            layername = f'layer%s' % ii
            with tf.variable_scope(layername):
                ny = LayerSizes[ii]
                nx = LayerSizes[ii+1]
                # Weights (initialized with xavier initializatiion).
                W['Weights_'+layername] = tf.get_variable(
                                    name = 'Weights_'+layername,
                                    shape = (ny, nx),
                                    initializer = tf.contrib.layers.xavier_initializer(),
                                    dtype = tf.float32
                                    )
                # Bias (initialized with xavier initializatiion).
                b['Bias_'+layername] = tf.get_variable(
                                    name = 'Bias_'+layername,
                                    shape = (nx),
                                    initializer = tf.contrib.layers.xavier_initializer(),
                                    dtype = tf.float32
                                    )
    return W, b, X, y
# Function for forward propagation of NN.
def FeedForward(X, W, b):    
    with tf.device('/gpu:0'):
        # Initialize 'a' of first layer to the placeholder of the network input.
        a = X
        # Loop all layers of the network.
        for ii in range(len(W)):
            # Use name of each layer as index.
            layername = f'layer%s' % ii
            ## Weighted sum: z = input*W + b
            z = tf.add(tf.matmul(a, W['Weights_'+layername], name = 'WeightedSum_z_'+layername), b['Bias_'+layername])
            ## Passed through actication fcn: a = h(z)
            if ii == len(W)-1:
                a = z
            else:
                a = tf.nn.relu(z, name = 'activation_a_'+layername)
    return a

if __name__ == "__main__":
    # Import data
    train_X, test_X, train_y, test_y = get_iris_data()
    # Define network size [ninputs-by-256-by-outputs]
    LayerSizes = [4, 256, 3]
    # Initialize weights and biases.
    W, b, X, y  = InitWeights(LayerSizes)

    # Define loss function to optimize.
    yhat = FeedForward(X, W, b)
    loss = tf.reduce_sum(tf.square(y - yhat),reduction_indices=[0])

    # Define optimizer to use when minimizing loss function.
    all_variables = tf.trainable_variables()
    optimizer     = tf.train.GradientDescentOptimizer(learning_rate = 0.0001)
    train_op      = optimizer.minimize(loss, var_list = all_variables)

    # Start tf session and initialize variables.
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())

    # Train 10000 minibatches and time how long it takes.   
    t0 = time.time()
    for i in range(10000):
        ObservationsToUse = np.random.choice(len(train_X), 32)
        X_minibatch = train_X[ObservationsToUse,:]
        y_minibatch = train_y[ObservationsToUse,:]
        sess.run(train_op, feed_dict={X : X_minibatch, y : y_minibatch})
    t1 = time.time()

    print('Training took %0.2f seconds' %(t1-t0)) 
    sess.close()

---

速度可能较低，因为：

• 您正在创建占位符。使用numpy，我们将数据插入 占位符，从而将它们转换为图的张量

通过使用tf.data.Dataset，您可以创建一个直接管道，使数据直接流入图形，而无需占位符。它们速度快、可扩展，并且有许多功能可供使用

    with np.load("/var/data/training_data.npy") as data:
  features = data["features"]
  labels = data["labels"]
    # Assume that each row of `features` corresponds to the same row as `labels`.
    assert features.shape[0] == labels.shape[0]
    dataset = tf.data.Dataset.from_tensor_slices((features, labels))

一些有用的功能：

dataset = dataset.shuffle(buffer_size=10000)
dataset = dataset.batch(32) # Creating batches
dataset = dataset.repeat(num_epochs) # repeat the dataset 'N' times
iterator = dataset.make_one_shot_iterator() # Create a iterator to retrieve batches of data

X, Y = iterator.get_next()

这里，32是批大小。 就你而言

dataset = tf.data.Dataset.from_tensor_slices((data, targets))

因此，不需要占位符。直营,

session.run( train_op ) # no feed_dict!!

---

事实上，除了你在谷歌上能找到的任何东西之外，还有一些关于它的官方指南。谢谢你的回答。请原谅我的缓慢，我正试图更改我的示例代码以使用您提到的一些tf.data函数来替换占位符，但我遇到了一些问题。例如，如果我没有创建X和y占位符，那么如何定义网络的前馈计算？在我的函数“yhat=前馈（X，W，b）”中，占位符X用作输入。如果没有任何占位符，我如何编写前馈函数？使用批量数据。在我提供的代码中，“next_element”是一批数据，您可以在前馈网络中使用。此外，我在第二个代码段中做了一些更改。我想我使用X from

X，y=iterator.get_next（）

实现了前馈函数。但是，当我想使用sess来训练网络时，run（train_op，feed_dict={X:X_minibatch，y:y_minibatch}）其中

X_minibatch

和

y_minibatch

由

X_minibatch，y_minibatch=iterator.get_next（）生成

我收到一个tensorflow错误，告诉我tf。Tensor对象不能馈送。在向网络提供小批量数据时，我是否应该使用feed_dict？在使用Dataset时，您不需要任何需要输入的占位符。不需要占位符，也不是一种遮光罩惯例：-）