私は現在、単純な分類作業のためにCNN(Keras/Tensorflow)をトレーニングするために大きな画像データセット(〜60GB)を使用しています。 イメージはビデオフレームなので、時間的には相関が高いので、巨大な.hdf5ファイルを生成するときにデータを一度シャッフルしました... セット全体を一度にメモリにロードすることなくCNNにデータを送る私は単純なバッチジェネレータを作成しました(下記のコードを参照)。 私の質問: 通常、各トレーニングエポック後にデータをシャッフルすることをお勧めしますか?しかし、そうするには、各エポック後にデータセット全体をロードしてシャッフルする必要があります。つまり、バッチジェネレータの使用を避けたいのです... So:それは本当に重要ですか?各エポック後にデータセットをシャッフルすることができます。はいの場合、できるだけ効率的にどのように行うことができますか?ここで は私のバッチ・ジェネレータの現在のコードです:大きなHDF5データセット、各エポック後に効率的にシャッフルする方法
def generate_batches_from_hdf5_file(hdf5_file, batch_size, dimensions, num_classes):
"""
Generator that returns batches of images ('xs') and labels ('ys') from a h5 file.
"""
filesize = len(hdf5_file['labels'])
while 1:
# count how many entries we have read
n_entries = 0
# as long as we haven't read all entries from the file: keep reading
while n_entries < (filesize - batch_size):
# start the next batch at index 0
# create numpy arrays of input data (features)
xs = hdf5_file['images'][n_entries: n_entries + batch_size]
xs = np.reshape(xs, dimensions).astype('float32')
# and label info. Contains more than one label in my case, e.g. is_dog, is_cat, fur_color,...
y_values = hdf5_file['labels'][n_entries:n_entries + batch_size]
#ys = keras.utils.to_categorical(y_values, num_classes)
ys = to_categorical(y_values, num_classes)
# we have read one more batch from this file
n_entries += batch_size
yield (xs, ys)
速度の面で重要な点は、hdf5ファイルのchuck_sizeをイメージのサイズに設定することです。これにより、hdf5から個々の画像を取得する際の効率が向上します –