python - tf.keras的tf.data.Dataset性能

我正在使用tf.keras（tensorflow版本1.9.0）进行多标签文本分类。
我有一个由185485火车和46372验证示例组成的数据集。

对于第一次尝试（在CPU上），我预先填充了数据并将其提供给模型：

from tensorflow import keras
....
X_train = keras.preprocessing.sequence.pad_sequences(X_train, maxlen=2000)

inp = keras.Input(shape=(X_train.shape[1], ))
x = keras.layers.Embedding(len(tk.word_index) + 1, 256, mask_zero=True)(inp)
x = keras.layers.LSTM(128, return_sequences=False)(x)
x = keras.layers.Dropout(0.1)(x)
x = keras.layers.Dense(y_train.shape[1], activation="sigmoid")(x)
model = keras.Model(inputs=inp, outputs=x)
model.compile(loss='binary_crossentropy',
                  optimizer='adam',
                  metrics=['accuracy'])
model.fit(X_train, y_train, batch_size=128, epochs=300, validation_split=0.2)

该模型每个时期需要约130分钟的时间进行训练。

然后，我尝试对数据集执行相同的操作。由于我的数据很大，因此我不能容纳2GB的限制以使用Dataset.from_tensor_slices()，而是使用Dataset.from_generator()

X_train = keras.preprocessing.sequence.pad_sequences(X_train, maxlen=2000)
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=777, stratify=y_train)

def gen(data, labels):
    for x, y in zip(data, labels):
        yield x, y

train_dataset = tf.data.Dataset.from_generator(
    lambda: gen(X_train, y_train),
    output_types=(tf.int32, tf.int32),
    output_shapes=([2000], [y_train.shape[1]]),
)

train_dataset = train_dataset.batch(128)
train_dataset = train_dataset.repeat()

val_dataset = ...

....
model.fit(train_dataset, epochs=300, steps_per_epoch=len(X_train)//128, validation_data=val_dataset,
      validation_steps=len(X_val)//128)

我期望性能大致相同，但事实并非如此，因为一个纪元需要约280分钟的训练时间。
我想念什么？如何使用数据集输入获得相同的性能？

最佳答案

在LSTM层中尝试unroll=True。有关详细信息，请查看Keras网站上的LSTM层文档
或在GPU上使用CuDNNLSTM进一步提高速度

关于python - tf.keras的tf.data.Dataset性能，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51337944/