3

我目前正在尝试比较数百万个文档的相似性。对于 CPU 上的第一次测试，我将它们减少到每个大约 50 个字符，并尝试一次获得 10 个字符的 ELMo 嵌入，如下所示：

ELMO = "https://tfhub.dev/google/elmo/2"
for row in file:
    split = row.split(";", 1)
    if len(split) > 1:
        text = split[1].replace("\n", "")
            texts.append(text[:50])
    if i == 300:
        break
    if i % 10 == 0:
        elmo = hub.Module(ELMO, trainable=False)
                 executable = elmo(
                 texts,
                 signature="default",
                 as_dict=True)["elmo"]

    vectors = execute(executable)
    texts = []
    i += 1

然而，即使是这个小例子，在大约 300 个句子（甚至不保存向量）之后，程序也会消耗高达 12GB 的 RAM。这是一个已知问题（我发现的其他问题提出了类似的问题，但不是那么极端）还是我犯了错误？

4

1 回答 1

2

我想这是针对没有 Eager 模式的 TensorFlow 1.x（否则使用 hub.Module 可能会遇到更大的问题）。

在该编程模型中，您需要首先在 TensorFlow 图中表达您的计算，然后为每批数据重复执行该图。

  • 构建模块hub.Module()并将其应用于将输入张量映射到输出张量都是图构建的一部分，并且应该只发生一次。

  • 输入数据的循环应该只调用 session.run() 来提供输入并从固定图中获取输出数据。

幸运的是，已经有一个实用函数可以为您完成所有这些工作：

import numpy as np
import tensorflow_hub as hub

# For demo use only. Extend to your actual I/O needs as you see fit.
inputs = (x for x in ["hello world", "quick brown fox"])

with hub.eval_function_for_module("https://tfhub.dev/google/elmo/2") as f:
  for pystr in inputs:
    batch_in = np.array([pystr])
    batch_out = f(batch_in)
    print(pystr, "--->", batch_out[0])

就原始 TensorFlow 而言，这对您的作用大致如下：

module = Module(ELMO_OR_WHATEVER)
tensor_in = tf.placeholder(tf.string, shape=[None])  # As befits `module`.
tensor_out = module(tensor_in)

# This kind of session handles init ops for you.
with tf.train.SingularMonitoredSession() as sess:
  for pystr in inputs:
    batch_in = np.array([pystr])
    batch_out = sess.run(tensor_out, feed_dict={tensor_in: batch_in}
    print(pystr, "--->", batch_out[0])

如果您的需求过于复杂with hub.eval_function_for_module ...，您可以构建这个更明确的示例。

注意 hub.Module 是如何在循环中既没有构造也没有调用的。

PS：厌倦了担心构建图表和运行会话？那么 TF2 和 Eager Execution 适合您。查看https://colab.research.google.com/github/tensorflow/hub/blob/master/examples/colab/tf2_text_classification.ipynb

于 2019-06-07T11:15:50.043 回答