问题描述
我想在 TPU (Google Cloud TPU) 上运行模型。我试图减少到最低限度。我省略了模型代码,因为它不相关,我的问题发生得更早。
这里是主要的python文件:
import tensorflow as tf
import os
from Model import Model
from DataGeneratorTPU import load_dataset
resolver = tf.distribute.cluster_resolver.TPUClusterResolver(tpu=os.environ['TPU_NAME'])
tf.config.experimental_connect_to_cluster(resolver)
tf.tpu.experimental.initialize_tpu_system(resolver)
strategy = tf.distribute.TPUStrategy(resolver)
with strategy.scope():
model = Model(32768,7)
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
dg = load_dataset('gs://bucket/data.tf','gs://bucket/annotations.tf',32768).batch(32,drop_remainder=True).prefetch(tf.data.experimental.AUTOTUNE)
model.fit(dg,epochs=10,verbose=1)
model.save('test')
这是 DataGeneratorTPU.py:
import tensorflow as tf
def slice(i,data,annotations,lead_length):
X = data[i:i+lead_length,:]
y = annotations[i+lead_length,:]
print(X.shape,y.shape) #OUTPUT2
return X,y
def load_dataset(filename_data,filename_annotations,lead_length,step_size=1):
data = tf.io.parse_tensor(tf.io.read_file(filename_data),tf.float32)
annotations = tf.io.parse_tensor(tf.io.read_file(filename_annotations),tf.int32)
print(data.shape,annotations.shape) #OUTPUT1
rangeds = tf.data.Dataset.range(0,data.shape[0]-lead_length,step_size)
def slice_(i):
return slice(i,tf.constant(lead_length,dtype=tf.int64))
return rangeds.map(slice_,tf.data.experimental.AUTOTUNE)
您可能会注意到,我用 OUTPUT1 和 OUTPUT2 标记了两个 print
语句,因此我可以告诉您输出是什么:
输出 1 为 (432001,7) (432001,7,3)
输出 2 为 (None,7) (3,)
但是,我认为 OUTPUT2 应该是 (32768,)
。
事实上,模型然后抱怨(只是来自一层的例子,还有更多,这是来自 conv1d 层):
(0) Invalid argument: {{function_node __inference_train_function_33579}} Compilation failure: Dynamic Spatial Convolution is not supported: lhs shape is f32[4,1,<=32774,7]
[[{{node Model/conv1d/conv1d}}]]
TPU compilation Failed
[[tpu_compile_succeeded_assert/_12623170171032432447/_5]]
[[tpu_compile_succeeded_assert/_12623170171032432447/_5/_303]]
哪个抱怨我们正在谈论的维度(我在映射函数中打印)是动态的,而不是固定在 32768。但是,它应该是静态的,因为我对切片使用恒定宽度32768,我什至确保范围不会查看可能出错的最后 32768 个元素。好像只能估计这个比32774还小,不知道多出来的6个元素是哪里来的...
我做错了什么?我怎样才能得到这个静态?
解决方法
似乎存在使用tf.strided_slice
(即__getitem__
方法调用的函数)丢失传递给它的张量的形状信息的情况。我猜这是因为切片非常灵活,并且允许传递“不可能”的切片大小(例如,end
索引大于数组的大小)。这样做会导致最终数据集中的形状可变的元素。该函数无法确保数组的最终形状,因此默认为 None
。
您的情况很简单,可以通过调用 tf.slice
来代替,该调用通过询问切片的大小来保留形状信息。
将您的 slice
函数替换为以下内容:
def slice(i,data,annotations,lead_length):
X = tf.slice(data,[i,0],[lead_length,tf.shape(data)[1]])
# I also used slice for y for the sake of it,but its probably more readable to use
# y = annotations[i+lead_length,:]
y = tf.squeeze(tf.slice(annotations,[i+lead_length,[1,1,tf.shape(annotations)[2]]))
return X,y
查看数据集形状给出:
>>> ds = rangeds.map(slice_,tf.data.experimental.AUTOTUNE)
>>> ds
<ParallelMapDataset shapes: ((32768,7),(3,)),types: (tf.float32,tf.float32)>
另一种可能性是在您的张量上调用 set_shape
如果您知道可以保证形状是正确的(即,i+lead_length
永远不会大于第一个维度的大小)。如果不能,将导致难以调试运行时错误。
def slice(i,lead_length):
X = data[i:i+lead_length,:]
y = annotations[i+lead_length,:]
X.set_shape((lead_length,7))
return X,y
我认为在您的情况下,让 tf.slice
完成这项工作更干净。