私は、Udacityディープラーニングコースの課題の一部である10クラスの画像分類タスクに対して、単純な多層パーセプトロンを訓練しようとしています。より正確には、さまざまなフォントからレンダリングされた文字を分類することです(データセットはnotMNISTと呼ばれます)。Tensorflowでのトレーニング中のGPU使用量が非常に低い
私が結んだコードはかなりシンプルですが、トレーニング中にGPUの使用量が非常に少なくなっても問題はありません。 GPU-Zで負荷を測定したところ、わずか25-30%に過ぎません。
ここは私の現在のコードです:
graph = tf.Graph()
with graph.as_default():
tf.set_random_seed(52)
# dataset definition
dataset = Dataset.from_tensor_slices({'x': train_data, 'y': train_labels})
dataset = dataset.shuffle(buffer_size=20000)
dataset = dataset.batch(128)
iterator = dataset.make_initializable_iterator()
sample = iterator.get_next()
x = sample['x']
y = sample['y']
# actual computation graph
keep_prob = tf.placeholder(tf.float32)
is_training = tf.placeholder(tf.bool, name='is_training')
fc1 = dense_batch_relu_dropout(x, 1024, is_training, keep_prob, 'fc1')
fc2 = dense_batch_relu_dropout(fc1, 300, is_training, keep_prob, 'fc2')
fc3 = dense_batch_relu_dropout(fc2, 50, is_training, keep_prob, 'fc3')
logits = dense(fc3, NUM_CLASSES, 'logits')
with tf.name_scope('accuracy'):
accuracy = tf.reduce_mean(
tf.cast(tf.equal(tf.argmax(y, 1), tf.argmax(logits, 1)), tf.float32),
)
accuracy_percent = 100 * accuracy
with tf.name_scope('loss'):
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y))
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
# ensures that we execute the update_ops before performing the train_op
# needed for batch normalization (apparently)
train_op = tf.train.AdamOptimizer(learning_rate=1e-3, epsilon=1e-3).minimize(loss)
with tf.Session(graph=graph) as sess:
tf.global_variables_initializer().run()
step = 0
epoch = 0
while True:
sess.run(iterator.initializer, feed_dict={})
while True:
step += 1
try:
sess.run(train_op, feed_dict={keep_prob: 0.5, is_training: True})
except tf.errors.OutOfRangeError:
logger.info('End of epoch #%d', epoch)
break
# end of epoch
train_l, train_ac = sess.run(
[loss, accuracy_percent],
feed_dict={x: train_data, y: train_labels, keep_prob: 1, is_training: False},
)
test_l, test_ac = sess.run(
[loss, accuracy_percent],
feed_dict={x: test_data, y: test_labels, keep_prob: 1, is_training: False},
)
logger.info('Train loss: %f, train accuracy: %.2f%%', train_l, train_ac)
logger.info('Test loss: %f, test accuracy: %.2f%%', test_l, test_ac)
epoch += 1
ここで私はこれまで試したものです:
私はシンプル
feed_dict
からtensorflow.contrib.data.Dataset
に入力パイプラインを変更しました。私が理解する限り、それは入力の効率を処理することになっています。データを別のスレッドにロードします。したがって、入力に関連したボトルネックはないはずです。ここに示唆したようにトレースを収集しました:https://github.com/tensorflow/tensorflow/issues/1824#issuecomment-225754659 しかし、これらのトレースは実際には何も興味深いものを表示しませんでした。列車のステップの90%以上がマットル操作です。
変更されたバッチサイズ。私がそれを128から512に変更すると、負荷は〜30%から〜38%に増加し、さらに2048に増加すると負荷は〜45%になります。私は6GbのGPUメモリを持っており、データセットは1チャンネルの28x28画像です。私は本当にそのような大きなバッチサイズを使用するはずですか?私はそれをさらに増やすべきですか?
一般的に、低負荷について心配する必要がありますか、それは実際に私が非効率的にトレーニングしているという兆候ですか?
ここには、128個の画像が入ったGPU-Zスクリーンショットがあります。各エポック後にデータセット全体の精度を測定すると、時折スパイクが100%になる低負荷が確認できます。
非常に速い返信をありがとう!ヤロスラフ、なぜこれが起こるのかヒントを教えてもらえますか?私の前提は次の通りです。その時点で1つのトレーニングステップが実行されている限り、すべてのGPUコアを飽和させるだけの計算が不十分です。だから、私が128イメージのバッチをフィードすると、それはできるだけ平行して実行されますが、それ以上のことができます。 –
はい、コアを飽和させるのに十分な計算がありません。また、必要なメモリ帯域幅やカーネル起動のオーバーヘッドに比べて計算量が少ない場合は、効率が悪いです。注目すべきより重要なことは、GPU占有率よりも全体的な効率性です。 TitanXの大きなmatmulは毎秒10Topを得ますが、多くのアプリケーションでは1Top /秒以下で動作するため、ピーク効率の10%未満です –