关于这个的几个问题
对于我想在 Tensorflow 中执行以下操作的情况(假设我正在通过加载 WAV 文件来创建训练示例(:
import tensorflow as tf
def _some_audio_preprocessing_func(filename):
# ... some logic here which mostly uses Tensorflow ops ...
with tf.Session(graph=tf.Graph()) as sess:
wav_filename_placeholder = tf.placeholder(tf.string, [])
wav_loader = io_ops.read_file(wav_filename_placeholder)
wav_decoder = contrib_audio.decode_wav(wav_loader, desired_channels=1)
data = sess.run(
[wav_decoder],
feed_dict={wav_filename_placeholder: filename})
return data
dataset = tf.data.Dataset.list_files('*.wav')
dataset = dataset.map(_some_preprocessing_func)
- 如果我有一个使用张量操作的 parse_image(( 函数 - 应该这是主图的一部分?按照谷歌自己的音频TF教程中设置的示例,看起来他们创建了一个单独的图表!这不会破坏使用Tensorflow使事情变得更快的意义吗?
- 我是否在任何单行不是来自张量流库时使用 tf.py_func((?同样,我想知道性能影响是什么以及何时应该使用它......
谢谢!
当你使用 Dataset.map(map_func)
时,TensorFlow 为函数map_func
中创建的所有操作定义一个子图,并安排在与图的其余部分相同的会话中有效地执行它。几乎不需要在map_func
中创建tf.Graph
或tf.Session
:如果您的解析函数由 TensorFlow 操作组成,则这些操作可以直接嵌入到定义输入管道的图形中。
使用 tf.data
的代码的修改版本如下所示:
import tensorflow as tf
from tensorflow.contrib.framework.python.ops import audio_ops as contrib_audio
def _some_audio_preprocessing_func(filename):
wav_loader = tf.read_file(filename)
return contrib_audio.decode_wav(wav_loader, desired_channels=1)
dataset = tf.data.Dataset.list_files('*.wav')
dataset = dataset.map(_some_preprocessing_func)
如果您的map_func
包含要应用于每个元素的非 TensorFlow 操作,则应将它们包装在tf.py_func()
中(如果数据生成过程是在 Python 逻辑中定义的,则Dataset.from_generator()
(。主要的性能影响是,在tf.py_func()
中运行的任何代码都受全局解释器锁的约束,因此我通常建议尝试为性能关键的任何内容找到本机 TensorFlow 实现。