全部产品
存储与CDN 数据库 安全 应用服务 数加·人工智能 数加·大数据基础服务 互联网中间件 视频服务 开发者工具 解决方案 物联网
机器学习PAI

PAI TensorFlow Q&A

更新时间:2017-10-30 17:29:40

PAI TensorFlow Q&A

目录

如果以上内容无法解决您的问题,请首先查看PAI知识库:https://help.aliyun.com/product/30347.html,若问题仍得不到解决请粘贴logview(Tensorflow日志中的蓝色长链接)到PAI工单系统进行提问,工单系统地址:https://workorder.console.aliyun.com/console.htm?spm=5176.product30347.4.8.ZvFh1j#/ticket/add?productCode=pai&commonQuestionId=660


如何开通PAI的深度学习功能

目前机器学习平台深度学习相关功能处于公测阶段,深度学习组件包含TensorFlow、Caffe、MXNet三个框架,开通方式如下,进入机器学习控制台,在相应项目下勾选GPU资源即可使用。

开通GPU资源的项目会被分配到公共的资源池,可以动态的调用底层的GPU计算资源。另外需要在设置中设置OSS的访问权限:

如何支持多python文件脚本引用

很多时候我们通过python 模块文件组织训练脚本。可能将模型定义在不同的Python文件里,将数据的预处理逻辑放在另外一个Python文件中,最后有一个Python文件将整个训练过程串联起来。例如:在test1.py中定义了一些函数,需要在test2.py文件使用test1.py中的函数,并且将test2.py作为程序入口函数,只需要将test1.py和test2.py打包成tar.gz文件上传即可。

  • Python代码文件为定义的tar.gz包
  • Python主文件定义入口程序文件

如何上传数据到OSS

可以观看视频:https://help.aliyun.com/video_detail/54945.html

使用深度学习处理数据时,数据先存储到OSS的bucket中。第一步要创建OSS Bucket。 由于深度学习的GPU集群在华东2,建议您创建 OSS Bucket 时选择华东2地区。这样在数据传输时就可以使用阿里云经典网络,算法运行时不需要收取流量费用。Bucket 创建好之后,可以在OSS管理控制台 来创建文件夹,组织数据目录,上传数据了。

OSS支持多种方式上传数据, API或SDK详细见:https://help.aliyun.com/document_detail/31848.html?spm=5176.doc31848.6.580.a6es2a

OSS还提供了大量的常用工具用来帮助用户更加高效的使用OSS。工具列表请参见: https://help.aliyun.com/document_detail/44075.html?spm=5176.doc32184.6.1012.XlMMUx

建议您使用 ossutil 或 osscmd ,这是两个命令行工具,通过命令的方式来上传、下载文件,还支持断点续传。

注:在使用工具时需要配置 AccessKey 和ID,登录后,可以在Access Key 管理控制台创建或查看。

如何使用PAI读取OSS数据

Python不支持读取oss的数据, 故所有调用python Open() os.path.exist() 等文件, 文件夹操作的函数的代码都无法执行.如Scipy.misc.imread(),numpy.load()

那如何在PAI读取数据呢, 通常我们采用两种办法.

方法一

如果只是简单的读取一张图片, 或者一个文本等, 可以使用tf.gfile下的函数, 具体成员函数如下

  1. tf.gfile.Copy(oldpath, newpath, overwrite=False) # 拷贝文件
  2. tf.gfile.DeleteRecursively(dirname) # 递归删除目录下所有文件
  3. tf.gfile.Exists(filename) # 文件是否存在
  4. tf.gfile.FastGFile(name, mode='r') # 无阻塞读取文件
  5. tf.gfile.GFile(name, mode='r') # 读取文件
  6. tf.gfile.Glob(filename) # 列出文件夹下所有文件, 支持pattern
  7. tf.gfile.IsDirectory(dirname) # 返回dirname是否为一个目录
  8. tf.gfile.ListDirectory(dirname) # 列出dirname下所有文件
  9. tf.gfile.MakeDirs(dirname) # 在dirname下创建一个文件夹, 如果父目录不存在, 会自动创建父目录. 如果
  10. 文件夹已经存在, 且文件夹可写, 会返回成功
  11. tf.gfile.MkDir(dirname) # 在dirname处创建一个文件夹
  12. tf.gfile.Remove(filename) # 删除filename
  13. tf.gfile.Rename(oldname, newname, overwrite=False) # 重命名
  14. tf.gfile.Stat(dirname) # 返回目录的统计数据
  15. tf.gfile.Walk(top, inOrder=True) # 返回目录的文件树

具体的文档可以参照这里(可能需要翻墙)

方法二

如果是一批一批的读取文件, 一般会采用tf.WhoFileReader()tf.train.batch()tf.train.shuffer_batch()

接下来会重点介绍常用的 tf.gfile.Glob, tf.gfile.FastGFile, tf.WhoFileReader()tf.train.shuffer_batch()

读取文件一般有两步:

  1. 获取文件列表
  2. 读取文件

如果是批量读取, 还有第三步:创建batch

从代码上手:在使用PAI的时候, 通常需要在右侧设置读取目录, 代码文件等参数, 这些参数都会通过—XXX的形式传入,tf.flags可以提供了这个功能

  1. import tensorflow as tf
  2. FLAGS = tf.flags.FLAGS
  3. tf.flags.DEFINE_string('buckets', 'oss://XXX', '训练图片所在文件夹')
  4. tf.flags.DEFINE_string('batch_size', '15', 'batch大小')
  5. files = tf.gfile.Glob(os.path.join(FLAGS.buckets,'*.jpg')) # 如我想列出buckets下所有jpg文件路径

接下来就分两种情况了

  • 小规模读取时建议:tf.gfile.FastGfile()
  1. for path in files:
  2. file_content = tf.gfile.FastGFile(path, 'rb').read() # 一定记得使用rb读取, 不然很多情况下都会报错
  3. image = tf.image.decode_jpeg(file_content, channels=3) # 本教程以JPG图片为例
  • 大批量读取时建议:tf.WhoFileReader()
  1. reader = tf.WholeFileReader() # 实例化一个reader
  2. fileQueue = tf.train.string_input_producer(files) # 创建一个供reader读取的队列
  3. file_name, file_content = reader.read(fileQueue) # 使reader从队列中读取一个文件
  4. image_content = tf.image.decode_jpeg(file_content, channels=3) # 讲读取结果解码为图片
  5. label = XXX # 这里省略处理label的过程
  6. batch = tf.train.shuffle_batch([label, image_content], batch_size=FLAGS.batch_size, num_threads=4,
  7. capacity=1000 + 3 * FLAGS.batch_size, min_after_dequeue=1000)
  8. sess = tf.Session() # 创建Session
  9. tf.train.start_queue_runners(sess=sess) # 重要!!! 这个函数是启动队列, 不加这句线程会一直阻塞
  10. labels, images = sess.run(batch) # 获取结果

现在解释下其中重要的部分

  1. tf.train.string_input_producer, 这个是把files转换成一个队列, 并且需要 tf.train.start_queue_runners 来启动队列
  2. tf.train.shuffle_batch 参数解释
  • batch_size 批大小, 每次运行这个batch, 返回多少个数据
  • num_threads 运行线程数, 在PAI上4个就好
  • capacity 随机取文件范围, 比如你的数据集有10000个数据, 你想从5000个数据中随机取, capacity就设置成5000.
  • min_after_dequeue 维持队列的最小长度, 这里只要注意不要大于capacity即可

如何使用PAI写入数据到OSS

  • 直接使用tf.gfile.FastGFile()写入
  1. tf.gfile.FastGFile(FLAGS.checkpointDir + 'example.txt', 'wb').write('hello world')
  • 通过tf.gfile.Copy()拷贝
  1. tf.gfile.Copy('./example.txt', FLAGS.checkpointDir + 'example.txt')

通过这两种方法, 文件都会出现在 ‘输出目录/model/example.txt’ 下

PAI平台关于Tensorflow的案例有哪些

案例一:如何使用TensorFlow实现图像分类

视频地址:https://help.aliyun.com/video_detail/54948.html

文档介绍:https://yq.aliyun.com/articles/72841

代码下载:https://help.aliyun.com/document_detail/51800.html

案例二:如何使用TensorFlow自动写歌

文档介绍:https://yq.aliyun.com/articles/134287

代码下载:https://help.aliyun.com/document_detail/57011.html

如何查看Tensorflow的相关日志

具体请参考:https://yq.aliyun.com/articles/72841

本文导读目录