Ho incontrato un problema!
Di recente ho incontrato un problema di I/O problema. Il target e i dati di input vengono memorizzati con h5py file. Ogni file di destinazione è di 2,6 GB , mentre ogni file di input è 10.2 GB. Ho 5 set di dati di input e di 5 target di set di dati in totale.
Ho creato un set di dati personalizzato per ogni funzione h5py file e quindi utilizzare i dati.ConcatDataset classe di collegare tutti i set di dati. Il set di dati personalizzato funzione è:
class MydataSet(Dataset):
def __init__(self, indx=1, root_path='./xxx', tar_size=128, data_aug=True, train=True):
self.train = train
if self.train:
self.in_file = pth.join(root_path, 'train', 'train_noisy_%d.h5' % indx)
self.tar_file = pth.join(root_path, 'train', 'train_clean_%d.h5' % indx)
else:
self.in_file = pth.join(root_path, 'test', 'test_noisy.h5')
self.tar_file = pth.join(root_path, 'test', 'test_clean.h5')
self.h5f_n = h5py.File(self.in_file, 'r', driver='core')
self.h5f_c = h5py.File(self.tar_file, 'r')
self.keys_n = list(self.h5f_n.keys())
self.keys_c = list(self.h5f_c.keys())
# h5f_n.close()
# h5f_c.close()
self.tar_size = tar_size
self.data_aug = data_aug
def __len__(self):
return len(self.keys_n)
def __del__(self):
self.h5f_n.close()
self.h5f_c.close()
def __getitem__(self, index):
keyn = self.keys_n[index]
keyc = self.keys_c[index]
datan = np.array(self.h5f_n[keyn])
datac = np.array(self.h5f_c[keyc])
datan_tensor = torch.from_numpy(datan).unsqueeze(0)
datac_tensor = torch.from_numpy(datac)
if self.data_aug and np.random.randint(2, size=1)[0] == 1: # horizontal flip
datan_tensor = torch.flip(datan_tensor,dims=[2]) # c h w
datac_tensor = torch.flip(datac_tensor,dims=[2])
Allora io uso dataset_train = data.ConcatDataset([MydataSet(indx=index, train=True) for index in range(1, 6)]) per la formazione. Quando solo 2-3 h5py vengono utilizzati i file, la velocità di I/O è normale e tutto va per il verso giusto. Tuttavia, quando il 5 file vengono utilizzati, la velocità di allenamento, sta gradualmente diminuendo (5 iterazioni/s 1 iterazioni/s). Posso cambiare il num_worker e il problema esiste ancora.
Qualcuno potrebbe darmi una soluzione? Devo unire più h5py file in uno più grande? O altri metodi? Grazie in anticipo!