9

使用Caffe创建用于训练的数据集我都尝试使用 HDF5 和 LMDB。但是，创建 LMDB 非常慢，甚至比 HDF5 还要慢。我正在尝试编写约 20,000 张图像。

我做错了什么吗？有什么我不知道的吗？

这是我创建 LMDB 的代码：

DB_KEY_FORMAT = "{:0>10d}"
db = lmdb.open(path, map_size=int(1e12))
    curr_idx = 0
    commit_size = 1000
    for curr_commit_idx in range(0, num_data, commit_size):
        with in_db_data.begin(write=True) as in_txn:
            for i in range(curr_commit_idx, min(curr_commit_idx + commit_size, num_data)):
                d, l = data[i], labels[i]
                im_dat = caffe.io.array_to_datum(d.astype(float), label=int(l))
                key = DB_KEY_FORMAT.format(curr_idx)
                in_txn.put(key, im_dat.SerializeToString())
                curr_idx += 1
    db.close()

如您所见，我为每 1,000 个图像创建一个事务，因为我认为为每个图像创建一个事务会产生开销，但这似乎不会对性能产生太大影响。

4

4 回答 4

6

根据我的经验，我在 Ubuntu 的 ext4 硬盘上写入 Caffe 数据时，我从 Python 向 LMDB 写入了 50-100 毫秒。这就是我使用 tmpfs（ Linux 中内置的RAM 磁盘功能）并在大约0.07 ms 内完成这些写入的原因。您可以在 ramdisk 上创建较小的数据库并将它们复制到硬盘上，然后在所有这些上进行训练。我正在制作大约 20-40GB 的内存，因为我有 64 GB 的 RAM。

一些代码可以帮助你们动态地创建、填充和移动 LMDB 到存储。随意编辑它以适合您的情况。它应该可以节省您一些时间来了解 LMDB 和文件操作在 Python 中的工作原理。

import shutil
import lmdb
import random


def move_db():
    global image_db
    image_db.close();
    rnd = ''.join(random.choice(string.ascii_uppercase + string.digits) for _ in range(5))
    shutil.move( fold + 'ram/train_images',  '/storage/lmdb/'+rnd)
    open_db()


def open_db():
    global image_db
    image_db    = lmdb.open(os.path.join(fold, 'ram/train_images'),
            map_async=True,
            max_dbs=0)

def write_to_lmdb(db, key, value):
    """
    Write (key,value) to db
    """
    success = False
    while not success:
        txn = db.begin(write=True)
        try:
            txn.put(key, value)
            txn.commit()
            success = True
        except lmdb.MapFullError:
            txn.abort()
            # double the map_size
            curr_limit = db.info()['map_size']
            new_limit = curr_limit*2
            print '>>> Doubling LMDB map size to %sMB ...' % (new_limit>>20,)
            db.set_mapsize(new_limit) # double it

...

image_datum                 = caffe.io.array_to_datum( transformed_image, label )
write_to_lmdb(image_db, str(itr), image_datum.SerializeToString())
于 2016-05-10T21:21:23.713 回答
3

尝试这个：

DB_KEY_FORMAT = "{:0>10d}"
db = lmdb.open(path, map_size=int(1e12))
    curr_idx = 0
    commit_size = 1000
    with in_db_data.begin(write=True) as in_txn:
        for curr_commit_idx in range(0, num_data, commit_size):
            for i in range(curr_commit_idx, min(curr_commit_idx + commit_size, num_data)):
                d, l = data[i], labels[i]
                im_dat = caffe.io.array_to_datum(d.astype(float), label=int(l))
                key = DB_KEY_FORMAT.format(curr_idx)
                in_txn.put(key, im_dat.SerializeToString())
                curr_idx += 1
    db.close()

编码

with in_db_data.begin(write=True) as in_txn:

需要很多时间。

于 2015-09-15T01:56:16.323 回答
1

LMDB 写入对顺序非常敏感——如果能在插入前对数据进行排序，速度会显着提高

于 2017-06-22T11:15:52.363 回答
1

我做了一个小基准来说明 Ophir 的观点：

机器：

RasPi 4B - 超频至 1.75 GHz、4GB、RasperryPi 操作系统、SSD 上的操作系统

代码：

def insert_lmdb(fsobj, transaction):
    transaction.put(key=str(fsobj).encode("utf-8", "ignore"), value=generate_hash_from_file(fsobj).hexdigest().encode("utf-8", "ignore"))
list_f = list_files(FOLDER)

print(f"\n> Insert results in lmdb <")
list_f = Directory(path=DIR_ECTORY, use_hash=False, hash_from_content=False).lists["files"]

# list_f = sorted(list_f) # Run only in the 'sorted' case.

st = timeit.default_timer()

env = lmdb.open(path=DB_NAME)

with env.begin(write=True) as txn:
    for i in list_f:
        insert_lmdb(i, transaction=txn)
average = (timeit.default_timer() - st)*1000000/records

print(f"Test repeated {TIMES} times.\nNumber of files: {records}\nAverage time: {round(average, 3)} us or {round(1000000/average/1000, 3)}k inserts/sec")

结果：

不排序：

> Insert results in lmdb <
Test repeated 50000 times.
Number of files: 363
Average time: 84 us or 12k inserts/sec

带排序：

> Insert results in lmdb <
Test repeated 50000 times.
Number of files: 363
Average time: 18.5 us or 54k inserts/sec

排序带来了 4.5 倍的写入速度提升，仅增加一行代码就不错了 :)。

于 2020-07-19T12:36:10.277 回答