LMDB数据库加速Pytorch文件读取速度 |
您所在的位置：网站首页 › mdb文件太大 › LMDB数据库加速Pytorch文件读取速度 |
LMDB数据库加速Pytorch文件读取速度
|
问题背景
训练深度学习模型往往需要大规模的数据集，这些数据集往往无法直接一次性加载到计算机的内存中，通常需要分批加载。数据的I/O很可能成为训练深度网络模型的瓶颈，因此数据的读取速度对于大规模的数据集（几十G甚至上千G）是非常关键的。例如：https://discuss.pytorch.org/t/whats-the-best-way-to-load-large-data/2977 采用数据库能够大大提升数据的读写速度，例如caffe支持从lmdb、leveldb文件读取训练样本。 lmdb和leveldb的使用方式差不多，Leveldb lmdb性能对比。但是，数据集转换为LMDB或leveldb之后文件会变大（数据以二进制形式保存），即采用空间换取时间效率。 caffe先支持leveldb，后支持lmdb。lmdb读取的效率更高，而且支持不同程序同时读取，而leveldb只允许一个程序读取。这一点在使用同样的数据跑不同的配置程序时很重要。 lmdb参考：https://zhuanlan.zhihu.com/p/70359311 LMDB 全称为 Lightning Memory-Mapped Database，就是非常快的内存映射型数据库，LMDB使用内存映射文件，可以提供更好的输入/输出性能，对于用于神经网络的大型数据集( 比如 ImageNet )，可以将其存储在 LMDB 中。 因为最开始 Caffe 就是使用的这个数据库，所以网上的大多数关于 LMDB 的教程都通过 Caffe 实现的，对于不了解 Caffe 的同学很不友好，所以本篇文章只讲解 LMDB。 LMDB属于key-value数据库，而不是关系型数据库( 比如 MySQL )，LMDB提供 key-value 存储，其中每个键值对都是我们数据集中的一个样本。LMDB的主要作用是提供数据管理，可以将各种各样的原始数据转换为统一的key-value存储。 LMDB效率高的一个关键原因是它是基于内存映射的，这意味着它返回指向键和值的内存地址的指针，而不需要像大多数其他数据库那样复制内存中的任何内容。 LMDB不仅可以用来存放训练和测试用的数据集，还可以存放神经网络提取出的特征数据。如果数据的结构很简单，就是大量的矩阵和向量，而且数据之间没有什么关联，数据内没有复杂的对象结构，那么就可以选择LMDB这个简单的数据库来存放数据。 LMDB的文件结构很简单，一个文件夹，里面是一个数据文件和一个锁文件。数据随意复制，随意传输。它的访问简单，不需要单独的数据管理进程。只要在访问代码里引用LMDB库，访问时给文件路径即可。 用LMDB数据库来存放图像数据，而不是直接读取原始图像数据的原因： 数据类型多种多样，比如：二进制文件、文本文件、编码后的图像文件jpeg、png等，不可能用一套代码实现所有类型的输入数据读取，因此通过LMDB数据库，转换为统一数据格式可以简化数据读取层的实现。 lmdb具有极高的存取速度，大大减少了系统访问大量小文件时的磁盘IO的时间开销。LMDB将整个数据集都放在一个文件里，避免了文件系统寻址的开销，你的存储介质有多快，就能访问多快，不会因为文件多而导致时间长。LMDB使用了内存映射的方式访问文件，这使得文件内寻址的开销大幅度降低。 LMDB 的基本函数 env = lmdb.open()：创建 lmdb 环境 txn = env.begin()：建立事务 txn.put(key, value)：进行插入和修改 txn.delete(key)：进行删除 txn.get(key)：进行查询 txn.cursor()：进行遍历 txn.commit()：提交更改创建一个 lmdb 环境： 1 import lmdb 2 3 env = lmdb.open('D:/desktop/lmdb', map_size=10*1024**2)
指定存放生成的lmdb数据库的文件夹路径，如果没有该文件夹则自动创建。 map_size 指定创建的新数据库所需磁盘空间的最小值，1099511627776B＝１T。可以在这里进行 存储单位换算。 会在指定路径下创建 data.mdb 和 lock.mdb 两个文件，一是个数据文件，一个是锁文件。
修改数据库内容： 1 # 创建一个事务Transaction对象 2 txn = env.begin(write=True) 3 4 # insert/modify 5 # txn.put(key, value) 6 txn.put(str(1).encode(), "Alice".encode()) # .encode()编码为字节bytes格式 7 txn.put(str(2).encode(), "Bob".encode()) 8 txn.put(str(3).encode(), "Jack".encode()) 9 10 # delete 11 # txn.delete(key) 12 txn.delete(str(1).encode()) 13 14 # 提交待处理的事务 15 txn.commit()先创建一个事务(transaction) 对象 txn，所有的操作都必须经过这个事务对象。因为我们要对数据库进行写入操作，所以将 write 参数置为 True，默认其为 False。 使用 .put(key, value) 对数据库进行插入和修改操作，传入的参数为键值对。 值得注意的是，需要在键值字符串后加 .encode() 改变其编码格式，将 str 转换为 bytes 格式，否则会报该错误：TypeError: Won't implicitly convert Unicode to bytes; use .encode()。在后面使用 .decode() 对其进行解码得到原数据。 使用 .delete(key) 删除指定键值对。 对LMDB的读写操作在事务中执行，需要使用 commit 方法提交待处理的事务。
查询数据库内容： 1 # 数据库查询 2 txn = env.begin() # 每个commit()之后都需要使用begin()方法更新txn得到最新数据库 3 4 print(txn.get(str(2).encode())) 5 6 for key, value in txn.cursor(): 7 print(key, value) 8 9 env.close每次 commit() 之后都要用 env.begin() 更新 txn（得到最新的lmdb数据库）。 使用 .get(key) 查询数据库中的单条记录。 使用 .cursor() 遍历数据库中的所有记录，其返回一个可迭代对象，相当于关系数据库中的游标，每读取一次，游标下移一位。
也可以想文件一样使用 with 语法： 1 # 可以像文件一样使用with语法 2 with env.begin() as txn: 3 print(txn.get(str(2).encode())) 4 5 for key, value in txn.cursor(): 6 print(key, value) 7 env.close
完整的demo如下：  
1 import lmdb
2 import os, sys
3
4 def initialize(lmdb_dir, map_size):
5 # map_size: bytes
6 env = lmdb.open(lmdb_dir, map_size)
7 return env
8
9 def insert(env, key, value):
10 txn = env.begin(write=True)
11 txn.put(str(key).encode(), value.encode())
12 txn.commit()
13
14 def delete(env, key):
15 txn = env.begin(write=True)
16 txn.delete(str(key).encode())
17 txn.commit()
18
19 def update(env, key, value):
20 txn = env.begin(write=True)
21 txn.put(str(key).encode(), value.encode())
22 txn.commit()
23
24 def search(env, key):
25 txn = env.begin()
26 value = txn.get(str(key).encode())
27 return value
28
29 def display(env):
30 txn = env.begin()
31 cursor = txn.cursor()
32 for key, value in cursor:
33 print(key, value)
34
35
36 if __name__ == '__main__':
37 path = 'D:/desktop/lmdb'
38 env = initialize(path, 10*1024*1024)
39
40 print("Insert 3 records.")
41 insert(env, 1, "Alice")
42 insert(env, 2, "Bob")
43 insert(env, 3, "Peter")
44 display(env)
45
46 print("Delete the record where key = 1")
47 delete(env, 1)
48 display(env)
49
50 print("Update the record where key = 3")
51 update(env, 3, "Mark")
52 display(env)
53
54 print("Get the value whose key = 3")
55 name = search(env, 3)
56 print(name)
57
58 # 最后需要关闭lmdb数据库
59 env.close()
View Code
图片数据示例
在图像深度学习训练中我们一般都会把大量原始数据集转化为lmdb格式以方便后续的网络训练。因此我们也需要对该数据集进行lmdb格式转化。 将图片和对应的文本标签存放到lmdb数据库：
1 import lmdb
2
3 image_path = './cat.jpg'
4 label = 'cat'
5
6 env = lmdb.open('lmdb_dir')
7 cache = {} # 存储键值对
8
9 with open(image_path, 'rb') as f:
10 # 读取图像文件的二进制格式数据
11 image_bin = f.read()
12
13 # 用两个键值对表示一个数据样本
14 cache['image_000'] = image_bin
15 cache['label_000'] = label
16
17 with env.begin(write=True) as txn:
18 for k, v in cache.items():
19 if isinstance(v, bytes):
20 # 图片类型为bytes
21 txn.put(k.encode(), v)
22 else:
23 # 标签类型为str, 转为bytes
24 txn.put(k.encode(), v.encode()) # 编码
25
26 env.close()
View Code
这里需要获取图像文件的二进制格式数据，然后用两个键值对保存一个数据样本，即分开保存图片和其标签。 然后分别将图像和标签写入到lmdb数据库中，和上面例子一样都需要将键值转换为 bytes 格式。因为此处读取的图片格式本身就为 bytes，所以不需要转换，标签格式为 str，写入数据库之前需要先进行编码将其转换为 bytes。
从lmdb数据库中读取图片数据：
1 import cv2
2 import lmdb
3 import numpy as np
4
5 env = lmdb.open('lmdb_dir')
6
7 with env.begin(write=False) as txn:
8 # 获取图像数据
9 image_bin = txn.get('image_000'.encode())
10 label = txn.get('label_000'.encode()).decode() # 解码
11
12 # 将二进制文件转为十进制文件（一维数组）
13 image_buf = np.frombuffer(image_bin, dtype=np.uint8)
14 # 将数据转换(解码)成图像格式
15 # cv2.IMREAD_GRAYSCALE为灰度图，cv2.IMREAD_COLOR为彩色图
16 img = cv2.imdecode(image_buf, cv2.IMREAD_COLOR)
17 cv2.imshow('image', img)
18 cv2.waitKey(0)
View Code
先通过 lmdb.open() 获取之前创建的lmdb数据库。 这里通过键得到图片和其标签，因为写入数据库之前进行了编码，所以这里需要先解码。 标签通过 .decode() 进行解码重新得到字符串格式。 读取到的图片数据为二进制格式，所以先使用 np.frombuffer() 将其转换为十进制格式的文件，这是一维数组。然后可以使用 cv2.imdecode() 将其转换为灰度图（二维数组）或者彩色图（三维数组）。leveldb leveldb的使用与lmdb差不多，然而LevelDB 是单进程的服务。 https://www.jianshu.com/p/66496c8726a1 https://github.com/liquidconv/py4db https://github.com/google/leveldb
1 #!/usr/bin/env python
2
3 import leveldb
4 import os, sys
5
6 def initialize():
7 db = leveldb.LevelDB("students");
8 return db;
9
10 def insert(db, sid, name):
11 db.Put(str(sid), name);
12
13 def delete(db, sid):
14 db.Delete(str(sid));
15
16 def update(db, sid, name):
17 db.Put(str(sid), name);
18
19 def search(db, sid):
20 name = db.Get(str(sid));
21 return name;
22
23 def display(db):
24 for key, value in db.RangeIter():
25 print (key, value);
26
27 db = initialize();
28
29 print "Insert 3 records."
30 insert(db, 1, "Alice");
31 insert(db, 2, "Bob");
32 insert(db, 3, "Peter");
33 display(db);
34
35 print "Delete the record where sid = 1."
36 delete(db, 1);
37 display(db);
38
39 print "Update the record where sid = 3."
40 update(db, 3, "Mark");
41 display(db);
42
43 print "Get the name of student whose sid = 3."
44 name = search(db, 3);
45 print name;
View Code
pytorch从lmdb中加载数据 这里给出一种pytorch从lmdb中加载数据的参考示例，来自：https://discuss.pytorch.org/t/whats-the-best-way-to-load-large-data/2977 需要指出的是，pytorch的Dataset并不支持lmdb的迭代器。Dataset通过__getitem__(index)方法通过index获取一个样本，因此无法整合lmdb的cursor进行遍历，只能通过 with self.data_env.begin() as f: data = f.get(key)的方式，即每次打开一个事务txn，这会降低读取速度。如果设置shuffle=False则可以利用cursor按顺序遍历。 1 from __future__ import print_function 2 import torch.utils.data as data 3 # import h5py 4 import numpy as np 5 import lmdb 6 7 8 class onlineHCCR(data.Dataset): 9 def __init__(self, train=True): 10 # self.root = root 11 self.train = train 12 13 if self.train: 14 datalmdb_path = 'traindata_lmdb' 15 labellmdb_path = 'trainlabel_lmdb' 16 self.data_env = lmdb.open(datalmdb_path, readonly=True) 17 self.label_env = lmdb.open(labellmdb_path, readonly=True) 18 19 else: 20 datalmdb_path = 'testdata_lmdb' 21 labellmdb_path = 'testlabel_lmdb' 22 self.data_env = lmdb.open(datalmdb_path, readonly=True) 23 self.label_env = lmdb.open(labellmdb_path, readonly=True) 24 25 26 def __getitem__(self, index): 27 28 Data = [] 29 Target = [] 30 31 if self.train: 32 with self.data_env.begin() as f: 33 key = '{:08}'.format(index) 34 data = f.get(key) 35 flat_data = np.fromstring(data, dtype=float) 36 data = flat_data.reshape(150, 6).astype('float32') 37 Data = data 38 39 with self.label_env.begin() as f: 40 key = '{:08}'.format(index) 41 data = f.get(key) 42 label = np.fromstring(data, dtype=int) 43 Target = label[0] 44 45 else: 46 47 with self.data_env.begin() as f: 48 key = '{:08}'.format(index) 49 data = f.get(key) 50 flat_data = np.fromstring(data, dtype=float) 51 data = flat_data.reshape(150, 6).astype('float32') 52 Data = data 53 54 with self.label_env.begin() as f: 55 key = '{:08}'.format(index) 56 data = f.get(key) 57 label = np.fromstring(data, dtype=int) 58 Target = label[0] 59 60 return Data, Target 61 62 63 def __len__(self): 64 if self.train: 65 return 2693931 66 else: 67 return 224589
另一个示例： 1 # https://github.com/pytorch/vision/blob/master/torchvision/datasets/lsun.py#L19-L20 2 3 class LSUNClass(VisionDataset): 4 def __init__(self, root, transform=None, target_transform=None): 5 import lmdb 6 super(LSUNClass, self).__init__(root, transform=transform, target_transform=target_transform) 7 8 self.env = lmdb.open(root, max_readers=1, readonly=True, lock=False, readahead=False, meminit=False) 9 with self.env.begin(write=False) as txn: 10 self.length = txn.stat()['entries'] 11 cache_file = '_cache_' + ''.join(c for c in root if c in string.ascii_letters) 12 if os.path.isfile(cache_file): 13 self.keys = pickle.load(open(cache_file, "rb")) 14 else: 15 with self.env.begin(write=False) as txn: 16 self.keys = [key for key, _ in txn.cursor()] 17 pickle.dump(self.keys, open(cache_file, "wb")) 18 19 def __getitem__(self, index): 20 img, target = None, None 21 env = self.env 22 with env.begin(write=False) as txn: 23 imgbuf = txn.get(self.keys[index]) 24 25 buf = io.BytesIO() 26 buf.write(imgbuf) 27 buf.seek(0) 28 img = Image.open(buf).convert('RGB') 29 30 if self.transform is not None: 31 img = self.transform(img) 32 33 if self.target_transform is not None: 34 target = self.target_transform(target) 35 36 return img, target 37 38 def __len__(self): 39 return self.length
参考： lmdb 数据库 Python操作SQLite/MySQL/LMDB/LevelDB https://github.com/liquidconv/py4db https://discuss.pytorch.org/t/whats-the-best-way-to-load-large-data/2977 https://www.programcreek.com/python/example/106501/lmdb.open https://realpython.com/storing-images-in-python/ https://www.cnblogs.com/skyfsm/p/10345305.html
|
【本文地址】
今日新闻 |
推荐新闻 |