CNTK - 内存中和大型数据集

---

在本章中，我们将学习如何使用 CNTK 中的内存数据集和大型数据集。

使用小内存数据集进行训练

当我们谈论将数据输入 CNTK 训练器时，可以有很多方法，但这取决于数据集的大小和数据的格式。数据集可以是内存中的小型数据集，也可以是大型数据集。

在本节中，我们将使用内存数据集。为此，我们将使用以下两个框架 -

• 麻木
• pandas

使用 Numpy 数组

在这里，我们将使用 CNTK 中基于 numpy 的随机生成的数据集。在此示例中，我们将模拟二元分类问题的数据。假设我们有一组具有 4 个特征的观察结果，并希望使用深度学习模型预测两个可能的标签。

实施例

为此，首先我们必须生成一组标签，其中包含我们想要预测的标签的单热向量表示。可以通过以下步骤来完成 -

步骤 1 - 导入numpy包如下 -

import numpy as np
num_samples = 20000

步骤 2 - 接下来，使用np.eye函数生成标签映射，如下 -

label_mapping = np.eye(2)

步骤 3 - 现在通过使用np.random.choice函数，收集 20000 个随机样本，如下所示 -

y = label_mapping[np.random.choice(2,num_samples)].astype(np.float32)

步骤 4 - 现在最后通过使用 np.random.random 函数，生成随机浮点值数组，如下 -

x = np.random.random(size=(num_samples, 4)).astype(np.float32)

一旦我们生成了一个随机浮点值数组，我们需要将它们转换为 32 位浮点数，以便它可以匹配 CNTK 期望的格式。让我们按照以下步骤来执行此操作 -

步骤 5 - 从 cntk.layers 模块导入密集层和顺序层函数，如下 -

from cntk.layers import Dense, Sequential

步骤 6 - 现在，我们需要导入网络中各层的激活函数。让我们导入sigmoid作为激活函数 -

from cntk import input_variable, default_options
from cntk.ops import sigmoid

步骤 7 - 现在，我们需要导入损失函数来训练网络。让我们导入binary_cross_entropy作为损失函数 -

from cntk.losses import binary_cross_entropy

步骤 8 - 接下来，我们需要定义网络的默认选项。在这里，我们将提供sigmoid激活函数作为默认设置。此外，使用顺序层函数创建模型，如下所示 -

with default_options(activation=sigmoid):
model = Sequential([Dense(6),Dense(2)])

步骤 9 - 接下来，使用 4 个输入特征初始化input_variable作为网络的输入。

features = input_variable(4)

步骤 10 - 现在，为了完成它，我们需要将特征变量连接到神经网络。

z = model(features)

所以，现在我们有了一个神经网络，在以下步骤的帮助下，让我们使用内存数据集训练它 -

步骤 11 - 为了训练这个神经网络，首先我们需要从cntk.learners模块导入学习器。我们将导入sgd learner，如下所示 -

from cntk.learners import sgd

步骤 12 - 与此同时，还从cntk.logging模块导入ProgressPrinter 。

from cntk.logging import ProgressPrinter
progress_writer = ProgressPrinter(0)

步骤 13 - 接下来，为标签定义一个新的输入变量，如下 -

labels = input_variable(2)

步骤 14 - 为了训练 NN 模型，接下来，我们需要使用binary_cross_entropy函数定义损失。另外，提供模型 z 和标签变量。

loss = binary_cross_entropy(z, labels)

步骤 15 - 接下来，初始化sgd学习器，如下所示 -

learner = sgd(z.parameters, lr=0.1)

步骤 16 - 最后，调用损失函数的训练方法。另外，为其提供输入数据、sgd学习器和Progress_printer。 -

training_summary=loss.train((x,y),parameter_learners=[learner],callbacks=[progress_writer])

完整的实现示例

import numpy as np
num_samples = 20000
label_mapping = np.eye(2)
y = label_mapping[np.random.choice(2,num_samples)].astype(np.float32)
x = np.random.random(size=(num_samples, 4)).astype(np.float32)
from cntk.layers import Dense, Sequential
from cntk import input_variable, default_options
from cntk.ops import sigmoid
from cntk.losses import binary_cross_entropy
with default_options(activation=sigmoid):
   model = Sequential([Dense(6),Dense(2)])
features = input_variable(4)
z = model(features)
from cntk.learners import sgd
from cntk.logging import ProgressPrinter
progress_writer = ProgressPrinter(0)
labels = input_variable(2)
loss = binary_cross_entropy(z, labels)
learner = sgd(z.parameters, lr=0.1)
training_summary=loss.train((x,y),parameter_learners=[learner],callbacks=[progress_writer])

输出

Build info:
     Built time: *** ** **** 21:40:10
     Last modified date: *** *** ** 21:08:46 2019
     Build type: Release
     Build target: CPU-only
     With ASGD: yes
     Math lib: mkl
     Build Branch: HEAD
     Build SHA1:ae9c9c7c5f9e6072cc9c94c254f816dbdc1c5be6 (modified)
     MPI distribution: Microsoft MPI
     MPI version: 7.0.12437.6
-------------------------------------------------------------------
average   since   average   since examples
loss      last    metric    last
------------------------------------------------------
Learning rate per minibatch: 0.1
1.52      1.52      0         0     32
1.51      1.51      0         0     96
1.48      1.46      0         0    224
1.45      1.42      0         0    480
1.42       1.4      0         0    992
1.41      1.39      0         0   2016
1.4       1.39      0         0   4064
1.39      1.39      0         0   8160
1.39      1.39      0         0  16352

使用 Pandas 数据框

Numpy 数组所能包含的内容非常有限，也是最基本的数据存储方式之一。例如，单个 n 维数组可以包含单个数据类型的数据。但另一方面，对于许多现实世界的情况，我们需要一个可以处理单个数据集中多个数据类型的库。

名为 Pandas 的 Python 库之一可以更轻松地处理此类数据集。它引入了 DataFrame (DF) 的概念，并允许我们从磁盘加载以各种格式存储为 DF 的数据集。例如，我们可以读取存储为 CSV、JSON、Excel 等的 DF。

您可以在 https://www.tutorialspoint.com/python_pandas/index.htm 上更详细地学习 Python Pandas 库。

实施例

在此示例中，我们将使用基于四个属性对三种可能的鸢尾花品种进行分类的示例。我们也在前面的章节中创建了这个深度学习模型。模型如下 -

from cntk.layers import Dense, Sequential
from cntk import input_variable, default_options
from cntk.ops import sigmoid, log_softmax
from cntk.losses import binary_cross_entropy
model = Sequential([
Dense(4, activation=sigmoid),
Dense(3, activation=log_softmax)
])
features = input_variable(4)
z = model(features)

上述模型包含一个隐藏层和一个具有三个神经元的输出层，以匹配我们可以预测的类别数量。

接下来，我们将使用train方法和损失函数来训练网络。为此，首先我们必须加载并预处理虹膜数据集，使其符合神经网络的预期布局和数据格式。可以通过以下步骤来完成 -

步骤 1 - 导入numpy和Pandas包，如下 -

import numpy as np
import pandas as pd

步骤 2 - 接下来，使用read_csv函数将数据集加载到内存中 -

df_source = pd.read_csv(‘iris.csv’, names = [‘sepal_length’, ‘sepal_width’,
 ‘petal_length’, ‘petal_width’, ‘species’], index_col=False)

步骤 3 - 现在，我们需要创建一个字典，它将数据集中的标签与其相应的数字表示映射。

label_mapping = {‘Iris-Setosa’ : 0, ‘Iris-Versicolor’ : 1, ‘Iris-Virginica’ : 2}

步骤 4 - 现在，通过在DataFrame上使用iloc索引器，选择前四列，如下所示 -

x = df_source.iloc[:, :4].values

步骤 5 -接下来，我们需要选择物种列作为数据集的标签。可以按如下方式完成 -

y = df_source[‘species’].values

步骤 6 - 现在，我们需要映射数据集中的标签，这可以通过使用label_mapping来完成。另外，使用one_hot编码将它们转换为 one-hot 编码数组。

y = np.array([one_hot(label_mapping[v], 3) for v in y])

步骤 7 - 接下来，要将特征和映射标签与 CNTK 一起使用，我们需要将它们都转换为浮点数 -

x= x.astype(np.float32)
y= y.astype(np.float32)

众所周知，标签以字符串形式存储在数据集中，而 CNTK 无法处理这些字符串。这就是原因，它需要代表标签的 one-hot 编码向量。为此，我们可以定义一个函数one_hot如下 -

def one_hot(index, length):
result = np.zeros(length)
result[index] = index
return result

现在，我们有了正确格式的 numpy 数组，在以下步骤的帮助下，我们可以使用它们来训练我们的模型 -

步骤 8 - 首先，我们需要导入损失函数来训练网络。让我们导入binary_cross_entropy_with_softmax作为损失函数 -

from cntk.losses import binary_cross_entropy_with_softmax

步骤 9 - 为了训练这个神经网络，我们还需要从cntk.learners模块导入学习器。我们将导入sgd learner，如下所示 -

from cntk.learners import sgd

步骤 10 - 与此同时，还从cntk.logging模块导入ProgressPrinter 。

from cntk.logging import ProgressPrinter
progress_writer = ProgressPrinter(0)

步骤 11 - 接下来，为标签定义一个新的输入变量，如下 -

labels = input_variable(3)

步骤 12 - 为了训练 NN 模型，接下来，我们需要使用 binary_cross_entropy_with_softmax函数定义损失。还提供模型 z 和标签变量。

loss = binary_cross_entropy_with_softmax (z, labels)

步骤 13 - 接下来，初始化sgd学习器，如下 -

learner = sgd(z.parameters, 0.1)

步骤 14 - 最后，调用损失函数的训练方法。另外，为其提供输入数据、sgd learner 和Progress_printer。

training_summary=loss.train((x,y),parameter_learners=[learner],callbacks=
[progress_writer],minibatch_size=16,max_epochs=5)

完整的实现示例

from cntk.layers import Dense, Sequential
from cntk import input_variable, default_options
from cntk.ops import sigmoid, log_softmax
from cntk.losses import binary_cross_entropy
model = Sequential([
Dense(4, activation=sigmoid),
Dense(3, activation=log_softmax)
])
features = input_variable(4)
z = model(features)
import numpy as np
import pandas as pd
df_source = pd.read_csv(‘iris.csv’, names = [‘sepal_length’, ‘sepal_width’, ‘petal_length’, ‘petal_width’, ‘species’], index_col=False)
label_mapping = {‘Iris-Setosa’ : 0, ‘Iris-Versicolor’ : 1, ‘Iris-Virginica’ : 2}
x = df_source.iloc[:, :4].values
y = df_source[‘species’].values
y = np.array([one_hot(label_mapping[v], 3) for v in y])
x= x.astype(np.float32)
y= y.astype(np.float32)
def one_hot(index, length):
result = np.zeros(length)
result[index] = index
return result
from cntk.losses import binary_cross_entropy_with_softmax
from cntk.learners import sgd
from cntk.logging import ProgressPrinter
progress_writer = ProgressPrinter(0)
labels = input_variable(3)
loss = binary_cross_entropy_with_softmax (z, labels)
learner = sgd(z.parameters, 0.1)
training_summary=loss.train((x,y),parameter_learners=[learner],callbacks=[progress_writer],minibatch_size=16,max_epochs=5)

输出

Build info:
     Built time: *** ** **** 21:40:10
     Last modified date: *** *** ** 21:08:46 2019
     Build type: Release
     Build target: CPU-only
     With ASGD: yes
     Math lib: mkl
     Build Branch: HEAD
     Build SHA1:ae9c9c7c5f9e6072cc9c94c254f816dbdc1c5be6 (modified)
     MPI distribution: Microsoft MPI
     MPI version: 7.0.12437.6
-------------------------------------------------------------------
average    since    average   since   examples
loss        last     metric   last
------------------------------------------------------
Learning rate per minibatch: 0.1
1.1         1.1        0       0      16
0.835     0.704        0       0      32
1.993      1.11        0       0      48
1.14       1.14        0       0     112
[………]

使用大数据集进行训练

在上一节中，我们使用 Numpy 和 pandas 处理小型内存数据集，但并非所有数据集都这么小。特别是包含图像、视频、声音样本的数据集很大。MinibatchSource是一个组件，可以分块加载数据，由 CNTK 提供来处理如此大的数据集。MinibatchSource组件的一些功能如下 -

• MinibatchSource可以通过自动随机化从数据源读取的样本来防止 NN 过度拟合。

• 它具有内置的转换管道，可用于增强数据。

• 它将数据加载到与训练过程分开的后台线程上。

在以下部分中，我们将探讨如何使用具有内存不足数据的小批量源来处理大型数据集。我们还将探索如何使用它来训练神经网络。

创建 MinibatchSource 实例

在上一节中，我们使用了鸢尾花示例，并使用 Pandas DataFrames 处理小型内存数据集。在这里，我们将使用MinibatchSource替换使用 pandas DF 中的数据的代码。首先，我们需要借助以下步骤创建MinibatchSource的实例-

实施例

步骤 1 - 首先，从cntk.io模块导入 minibatchsource 的组件，如下所示 -

from cntk.io import StreamDef, StreamDefs, MinibatchSource, CTFDeserializer,
 INFINITY_REPEAT

步骤 2 - 现在，通过使用StreamDef类，为标签创建流定义。

labels_stream = StreamDef(field=’labels’, shape=3, is_sparse=False)

步骤 3 - 接下来，创建从输入文件读取特征，创建StreamDef的另一个实例，如下所示。

feature_stream = StreamDef(field=’features’, shape=4, is_sparse=False)

步骤 4 - 现在，我们需要提供iris.ctf文件作为输入并初始化解串器，如下所示 -

deserializer = CTFDeserializer(‘iris.ctf’, StreamDefs(labels=
label_stream, features=features_stream)

步骤 5 - 最后，我们需要使用反序列化器创建minisourceBatch的实例，如下 -

Minibatch_source = MinibatchSource(deserializer, randomize=True)

创建 MinibatchSource 实例 - 完整实现示例

from cntk.io import StreamDef, StreamDefs, MinibatchSource, CTFDeserializer, INFINITY_REPEAT
labels_stream = StreamDef(field=’labels’, shape=3, is_sparse=False)
feature_stream = StreamDef(field=’features’, shape=4, is_sparse=False)
deserializer = CTFDeserializer(‘iris.ctf’, StreamDefs(labels=label_stream, features=features_stream)
Minibatch_source = MinibatchSource(deserializer, randomize=True)

创建 MCTF 文件

正如您在上面看到的，我们正在从“iris.ctf”文件中获取数据。它的文件格式称为 CNTK 文本格式（CTF）。必须创建一个 CTF 文件才能获取我们上面创建的MinibatchSource实例的数据。让我们看看如何创建 CTF 文件。

实施例

步骤 1 - 首先，我们需要导入 pandas 和 numpy 包，如下 -

import pandas as pd
import numpy as np

步骤 2 - 接下来，我们需要将数据文件（即 iris.csv）加载到内存中。然后，将其存储在df_source变量中。

df_source = pd.read_csv(‘iris.csv’, names = [‘sepal_length’, ‘sepal_width’, ‘petal_length’, ‘petal_width’, ‘species’], index_col=False)

步骤 3 - 现在，通过使用iloc索引器作为特征，获取前四列的内容。另外，使用物种列中的数据如下 -

features = df_source.iloc[: , :4].values
labels = df_source[‘species’].values

步骤 4 - 接下来，我们需要创建标签名称与其数字表示形式之间的映射。可以通过创建label_mapping来完成，如下所示 -

label_mapping = {‘Iris-Setosa’ : 0, ‘Iris-Versicolor’ : 1, ‘Iris-Virginica’ : 2}

步骤 5 - 现在，将标签转换为一组单热编码向量，如下所示 -

labels = [one_hot(label_mapping[v], 3) for v in labels]

现在，就像我们之前所做的那样，创建一个名为one_hot 的实用函数来对标签进行编码。可以按如下方式完成 -

def one_hot(index, length):
result = np.zeros(length)
result[index] = 1
return result

我们已经加载并预处理了数据，现在可以将其以 CTF 文件格式存储在磁盘上。我们可以借助以下 Python 代码来做到这一点 -

With open(‘iris.ctf’, ‘w’) as output_file:
for index in range(0, feature.shape[0]):
feature_values = ‘ ‘.join([str(x) for x in np.nditer(features[index])])
label_values = ‘ ‘.join([str(x) for x in np.nditer(labels[index])])
output_file.write(‘features {} | labels {} \n’.format(feature_values, label_values))

创建 MCTF 文件 - 完整实施示例

import pandas as pd
import numpy as np
df_source = pd.read_csv(‘iris.csv’, names = [‘sepal_length’, ‘sepal_width’, ‘petal_length’, ‘petal_width’, ‘species’], index_col=False)
features = df_source.iloc[: , :4].values
labels = df_source[‘species’].values
label_mapping = {‘Iris-Setosa’ : 0, ‘Iris-Versicolor’ : 1, ‘Iris-Virginica’ : 2}
labels = [one_hot(label_mapping[v], 3) for v in labels]
def one_hot(index, length):
result = np.zeros(length)
result[index] = 1
return result
With open(‘iris.ctf’, ‘w’) as output_file:
for index in range(0, feature.shape[0]):
feature_values = ‘ ‘.join([str(x) for x in np.nditer(features[index])])
label_values = ‘ ‘.join([str(x) for x in np.nditer(labels[index])])
output_file.write(‘features {} | labels {} \n’.format(feature_values, label_values))

提供数据

创建MinibatchSource实例后，我们需要对其进行训练。我们可以使用与处理小型内存数据集时相同的训练逻辑。在这里，我们将使用MinibatchSource实例作为损失函数的训练方法的输入，如下所示 -

实施例

步骤 1 - 为了记录培训课程的输出，首先从cntk.logging模块导入 ProgressPrinter，如下所示 -

from cntk.logging import ProgressPrinter

步骤 2 - 接下来，要设置培训课程，请从cntk.train模块导入培训师和training_session，如下所示 -

from cntk.train import Trainer, 

步骤 3 - 现在，我们需要定义一些常量集，例如minibatch_size、samples_per_epoch和num_epochs，如下所示 -

minbatch_size = 16
samples_per_epoch = 150
num_epochs = 30

步骤 4 - 接下来，为了了解 CNTK 如何在训练期间读取数据，我们需要定义网络的输入变量与小批量源中的流之间的映射。

input_map = {
     features: minibatch.source.streams.features,
     labels: minibatch.source.streams.features
}

步骤 5 - 接下来，要记录训练过程的输出，请使用新的ProgressPrinter实例初始化Progress_printer变量，如下所示 -

progress_writer = ProgressPrinter(0)

步骤 6 - 最后，我们需要调用损失的训练方法，如下 -

train_history = loss.train(minibatch_source,
parameter_learners=[learner],
  model_inputs_to_streams=input_map,
callbacks=[progress_writer],
epoch_size=samples_per_epoch,
max_epochs=num_epochs)

提供数据 - 完整的实施示例

from cntk.logging import ProgressPrinter
from cntk.train import Trainer, training_session
minbatch_size = 16
samples_per_epoch = 150
num_epochs = 30
input_map = {
   features: minibatch.source.streams.features,
   labels: minibatch.source.streams.features
}
progress_writer = ProgressPrinter(0)
train_history = loss.train(minibatch_source,
parameter_learners=[learner],
model_inputs_to_streams=input_map,
callbacks=[progress_writer],
epoch_size=samples_per_epoch,
max_epochs=num_epochs)

输出

-------------------------------------------------------------------
average   since   average   since  examples
loss      last     metric   last
------------------------------------------------------
Learning rate per minibatch: 0.1
1.21      1.21      0        0       32
1.15      0.12      0        0       96
[………]