TensorFlow将数据加载到tf.Dataset中花费的时间太长

我正在使用TensorFlow 1.9来训练一个图像数据集，它太大了，无法从我的硬盘加载到RAM中。因此，我在硬盘上将数据集分成两半。我想知道在整个数据集上进行训练最有效的方法是什么

我的GPU有3 GB内存，我的RAM有32 GB内存。每一半数据集的大小为20 GB。我的硬盘有足够的可用空间（超过1 TB）

我的尝试如下。我创建了一个可初始化的

tf.Dataset

，然后在每个历元上初始化它两次：对数据集的每一半初始化一次。通过这种方式，每个历元都可以看到整个数据集，但每次只需将其中的一半加载到RAM中

但是，这是非常缓慢的，因为从硬盘加载数据需要很长时间，而且每次使用此数据初始化数据集也需要相当长的时间

有没有更有效的方法

在加载数据集的另一半之前，我尝试对数据集的每一半进行多个历元的训练，这要快得多，但这会使验证数据的性能差得多。据推测，这是因为模型在每一半上都过拟合，然后没有推广到另一半的数据

在下面的代码中，我创建并保存一些测试数据，然后按照上面的描述加载这些数据。加载每半个数据集的时间约为5秒，使用此数据初始化数据集的时间约为1秒。这看起来可能只是一个小数目，但它在多个时代累积起来。事实上，我的电脑加载数据的时间几乎和实际训练数据的时间一样多

import tensorflow as tf
import numpy as np
import time

# Create and save 2 datasets of test NumPy data
dataset_num_elements = 100000
element_dim = 10000
batch_size = 50
test_data = np.zeros([2, int(dataset_num_elements * 0.5), element_dim], dtype=np.float32)
np.savez('test_data_1.npz', x=test_data[0])
np.savez('test_data_2.npz', x=test_data[1])

# Create the TensorFlow dataset
data_placeholder = tf.placeholder(tf.float32, [int(dataset_num_elements * 0.5), element_dim])
dataset = tf.data.Dataset.from_tensor_slices(data_placeholder)
dataset = dataset.shuffle(buffer_size=dataset_num_elements)
dataset = dataset.repeat()
dataset = dataset.batch(batch_size=batch_size)
dataset = dataset.prefetch(1)
iterator = dataset.make_initializable_iterator()
next_element = iterator.get_next()
init_op = iterator.initializer

num_batches = int(dataset_num_elements / batch_size)

with tf.Session() as sess:
    while True:
        for dataset_section in range(2):
            # Load the data from the hard drive
            t1 = time.time()
            print('Loading')
            loaded_data = np.load('test_data_' + str(dataset_section + 1) + '.npz')
            x = loaded_data['x']
            print('Loaded')
            t2 = time.time()
            loading_time = t2 - t1
            print('Loading time = ' + str(loading_time))
            # Initialize the dataset with this loaded data
            t1 = time.time()
            sess.run(init_op, feed_dict={data_placeholder: x})
            t2 = time.time()
            initialization_time = t2 - t1
            print('Initialization time = ' + str(initialization_time))
            # Read the data in batches
            for i in range(num_batches):
                x = sess.run(next_element)

---

提要不是输入数据的有效方式。您可以这样输入数据：

创建包含所有输入文件名的文件名数据集。您可以洗牌，在这里重复数据集

将此数据集映射到数据，映射功能是读取、解码、转换图像。使用多线程进行贴图转换

预取要训练的数据

这只是一个例子。您可以设计自己的管道，请记住以下几点：

• 尽可能使用轻量级提要
• 使用多线程进行读取和预处理
• 为训练预取数据

---

请提供有关总数据大小、总RAM大小和总可用硬盘空间的更多信息。我想你没有使用任何GPU？格式可能更好choice@geekonedge我已经添加了这些细节，我正在使用GPU进行培训。