tensorflow - 如何加快 tensorflow 的训练速度？

现在以tensorflow-char-rnn为基础，我启动了一个单词rnn项目来预测下一个单词。
但是我发现火车数据集中的速度太慢了。这是我的培训详细信息:

培训数据大小:10亿个单词

词汇量:75万

RNN模型:lstm

RNN层:2

单元格大小:200

Seq长度:20

批处理大小:40(太大的批处理大小将导致OOM异常)

机器细节:

Amazon p2实例

1核心K80 GPU

16G视频存储器

4核CPU

60G内存

在我的测试中，训练数据的时间为1个纪元需要17天!
确实太慢了，然后我将seq2seq.rnn_decoder更改为tf.nn.dynamic_rnn，但是时间仍然是17天。

我想找到太慢的原因是我的代码导致的，还是一直如此慢？
因为我听到一些谣言说Tensorflow rnn比其他DL Framework慢。

这是我的模型代码:

class SeqModel():
def __init__(self, config, infer=False):
    self.args = config
    if infer:
        config.batch_size = 1
        config.seq_length = 1

    if config.model == 'rnn':
        cell_fn = rnn_cell.BasicRNNCell
    elif config.model == 'gru':
        cell_fn = rnn_cell.GRUCell
    elif config.model == 'lstm':
        cell_fn = rnn_cell.BasicLSTMCell
    else:
        raise Exception("model type not supported: {}".format(config.model))

    cell = cell_fn(config.hidden_size)

    self.cell = cell = rnn_cell.MultiRNNCell([cell] * config.num_layers)

    self.input_data = tf.placeholder(tf.int32, [config.batch_size, config.seq_length])
    self.targets = tf.placeholder(tf.int32, [config.batch_size, config.seq_length])
    self.initial_state = cell.zero_state(config.batch_size, tf.float32)

    with tf.variable_scope('rnnlm'):
        softmax_w = tf.get_variable("softmax_w", [config.hidden_size, config.vocab_size])
        softmax_b = tf.get_variable("softmax_b", [config.vocab_size])

        embedding = tf.get_variable("embedding", [config.vocab_size, config.hidden_size])
        inputs = tf.nn.embedding_lookup(embedding, self.input_data)


    outputs, last_state = tf.nn.dynamic_rnn(cell, inputs, initial_state=self.initial_state)

    # [seq_size * batch_size, hidden_size]
    output = tf.reshape(tf.concat(1, outputs), [-1, config.hidden_size])

    self.logits = tf.matmul(output, softmax_w) + softmax_b
    self.probs = tf.nn.softmax(self.logits)

    self.final_state = last_state


    loss = seq2seq.sequence_loss_by_example([self.logits],
                                            [tf.reshape(self.targets, [-1])],
                                            [tf.ones([config.batch_size * config.seq_length])],
                                            config.vocab_size)
    self.cost = tf.reduce_sum(loss) / config.batch_size / config.seq_length

    self.lr = tf.Variable(0.0, trainable=False)
    tvars = tf.trainable_variables()
    grads, _ = tf.clip_by_global_norm(tf.gradients(self.cost, tvars),
                                      config.grad_clip)
    optimizer = tf.train.AdamOptimizer(self.lr)
    self.train_op = optimizer.apply_gradients(zip(grads, tvars))

Here is the GPU load during the training

非常感谢。

最佳答案

正如您提到的 batch_size 确实很重要，它可以带来令人印象深刻的加速效果，但请确保您的困惑保持相关性。

监视GPU事件可以为您提供有关潜在I/O瓶颈的提示。

最重要的是，使用采样的softmax 代替常规的softmax更快。这将要求您使用[config.vocab_size, config.hidden_size]权重矩阵，而不是[config.hidden_size, config.vocab_size]。这绝对是我的观点。

希望这可以帮助。
pltrdy

关于tensorflow - 如何加快 tensorflow 的训练速度？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/41096896/