1. 首页
  2. TensorFlowNews

3行代码,Python数据预处理提速6倍!

点击上方“磐创AI”,选择“置顶公众号”

精品文章,第一时间送达

3行代码,Python数据预处理提速6倍!

源:towardsdatascience

转载自:新智元,未经允许不得二次转载


Python是所有机器学习的首选编程语言。它易于使用,并拥有许多很棒的库,可以轻松地处理数据。但是当我们需要处理大量数据时,事情就变得棘手了……


“大数据”这个词通常指的是数据集,一个数据集里的数据点如果没有数百万个,也有数十万。在这样的规模上,每个小的计算加起来,而且我们需要在编码过程的每个步骤保持效率。在考虑机器学习系统的效率时,经常被忽视的一个关键步骤就是预处理阶段,我们必须对所有数据点进行某种预处理操作。


默认情况下,Python程序使用单个CPU作为单个进程执行。大多数用于机器学习的计算机至少有2个CPU核心。这意味着,对于2个CPU内核的示例,在运行预处理时,50%或更多的计算机处理能力在默认情况下不会做任何事情!当你使用4核( Intel i5)或6核( Intel i7)时,就更浪费了。


但幸运的是,内置的Python库中有一些隐藏的功能,可以让我们充分利用所有CPU内核!感谢Python的concurrent.futures模块,只需3行代码就可以将一个普通程序转换为一个可以跨CPU核心并行处理数据的程序。


3行代码,Python数据预处理提速6倍!


标准方法



让我们举一个简单的例子,我们在一个文件夹中有一个图像数据集; 或者我们甚至有成千上万的图像!为了节省处理时间,我们在这里使用1000张图像。我们希望在将所有图像在传输到深度神经网络之前将其大小调整为600×600。下面就是你经常在GitHub上看到的一些非常标准的Python代码。


3行代码,Python数据预处理提速6倍!


这个程序遵循在数据处理脚本中经常看到的简单模式:


  • 首先是要处理的文件(或其他数据)列表;


  • 你可以使用for循环逐个处理每个数据片段,然后在每个循环迭代上运行预处理


让我们在一个包含1000个jpeg文件的文件夹上测试这个程序,看看运行需要多长时间:


3行代码,Python数据预处理提速6倍!


在我的具有6个CPU核心的i7-8700k上,这个程序的运行时间是7.9864秒!对于这样的高端CPU来说,似乎有点慢。让我们看看我们可以做些什么来加快速度。


快速方式



为了理解我们希望Python如何并行处理事物,直观地思考并行处理本身是有帮助的。假设我们必须执行相同的任务,例如将钉子钉入一块木头,我们的桶中有1000个钉子。如果钉每个钉子需要1秒钟,那么1个人的话需要花1000秒完成工作。但是如果有4个人,我们会将整桶钉子平均分成4堆,然后每个人处理自己的一堆钉子。这样,只需250秒即可完成任务!


在这个包含1000张图像的任务中,也可以这样处理:

  1. 将jpg文件列表分为4个较小的组。

  2. 运行Python解释器的4个独立实例。

  3. 让每个Python实例处理4个较小数据组中的一个。

  4. 结合4个过程的结果,得到最终的结果列表。


这里最重要的部分是Python为我们处理了所有艰苦的工作。我们只是告诉它我们想要运行哪个函数,以及使用多少Python实例,然后它完成了所有其他操作!我们只需修改3行代码。


3行代码,Python数据预处理提速6倍!


上面的代码中的:


3行代码,Python数据预处理提速6倍!


你有多少CPU核心就启动多少Python进程,在我的例子中是6个。实际的处理代码是这样的:


3行代码,Python数据预处理提速6倍!


executor.map()将你想要运行的函数和一个列表作为输入,列表中的每个元素都是函数的单个输入。由于我们有6个核心,我们将同时处理列表中的6个项!


再次运行程序看看:


3行代码,Python数据预处理提速6倍!


运行时间是1.14265秒,几乎加速了6倍!


注意:产生更多Python进程并在它们之间移动数据时,会产生一些开销,因此不会总是得到这么大的速度提升。 但总的来说,加速相当显著。


是否总能大幅加速?


当你有要处理的数据列表并且要对每个数据点执行类似的计算时,使用Python并行池是一个很好的解决方案。但是,它并不总是完美的。并行池处理的数据不会以任何可预测的顺序处理。如果你需要处理的结果按特定顺序排列,那么这种方法可能不适合。


你处理的数据还必须是Python知道如何“pickle”的类型。幸运的是,这些类型很常见。以下来自Python官方文档:

  • None, True, 及 False

  • 整数,浮点数,复数

  • 字符串,字节,字节数组

  • 仅包含可选对象的元组,列表,集合和词典

  • 在模块的顶层定义的函数(使用def,而不是lambda)

  • 在模块顶层定义的内置函数

  • 在模块顶层定义的类

  • 这些类的实例,__dict__或调用__getstate __()的结果是可选择的



原文链接:

https://towardsdatascience.com/heres-how-you-can-get-a-2-6x-speed-up-on-your-data-pre-processing-with-python-847887e63be5


你也许还想


 PyTorch 中使用深度学习(CNN和LSTM)的自动图像描述

   用卷积神经网络和自注意力机制实现QANet(问答网络)

   【ECCV 2018】谷歌AI超大规模图像竞赛,中国团队获目标检测冠军

欢迎扫码关注:

3行代码,Python数据预处理提速6倍!


3行代码,Python数据预处理提速6倍! 点击下方 |  | 了解更多

磐创AI:http://www.panchuangai.com/ 智能客服:http://www.panchuangai.com/ TensorFlow:http://panchuang.net 推荐关注公众号:磐创AI

原创文章,作者:fendouai,如若转载,请注明出处:http://panchuang.net/2018/10/03/a6cd0919fd/

发表评论

电子邮件地址不会被公开。

联系我们

400-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息