背景

天之道，損有余以補不足。

深度學習，那是先富的游戲。窮導致硬件不行，非科班導致工程也不行，每次比賽數據量一大，我心里浮現的都是水滸傳名場面

相聲，講究的是說學逗唱；而工程，講究的是一個吹德偶夫（trade-off）。那，我們就用時間換空間。時間是每個人的朋友，跑的慢，就多等等。之前kdd cup百度比賽，我在嘗試復現baseline的時候就遇到了麻煩。

215天的訓練歷史，產生了400萬樣本。batch_size選擇1024，但每個step大概耗時800ms，單個epoch慢的離譜。不禁感慨生活太殘忍了。

本文記錄一下，我做了哪些改動。很多人喜歡強調：什么算法工程師先要是一個工程師。我雖然不懂這話的含義，但工地上，他們都叫我Yue工，贏麻了。

讀取

首先是讀取文件過程，想把csv保存為pickle后加載。但發現csv讀取只花2秒。可以接受，未采納。

dataset中窗口滑動轉化為時序樣本，原本pandas操作變為numpy操作。單個樣本處理時間從2e-4s 降低為2e-6s，訓練單個step從800ms可以降為250ms。但二者切片時對左開右閉的設置不一樣，坑了很久

原本我沾沾自喜的設計了，一個day到index到樣本的數據提取路線，每個過程都封裝的很好。實際跑起來，發現訓練前啥預處理沒有，要花三十分鐘(1933s)。從所有index選取不在drop_list的，普通寫法特別耗時，轉化為集合求差。三十分鐘變成3秒。
很慢
idx = [i for i in all_idx if i not in dropidx] # very slow
很快
idx = sorted(list(set(all_idx) - set(dropidx)))
樣本選取idx過程中，通過分布式提取并保存為pickle，訓練可以開始的快些？groupby還是很耗時。

def get_idx_from_days2(data, selected_days, day_columns='Day', mode='train', train_sequence_length=2*24*6, predict_sequence_length=2*24*6, strides=1*6, max_lags=1):""" sample1: 固定間隔，每個間隔選一個sample2: 間隔1-6隨機, 此時先選出每個的間隔序列，再cumsum到原始序列進行選擇"""def func(data):return data.tail(predict_sequence_length - 1).index.tolist()def func2(data):return data.head(max(train_sequence_length, max_lags) + 1).index.tolist() cpu_count = os.cpu_count()all_idx = data.loc[data[day_columns].isin(selected_days)].index.tolist()data_grouped = data.groupby(['TurbID'])dropidx = joblib.Parallel(cpu_count)(joblib.delayed(func)(group) for name, group in data_grouped)dropidx = list(itertools.chain(*dropidx))if mode == 'train':dropidx2 = joblib.Parallel(cpu_count)(joblib.delayed(func2)(group) for name, group in data_grouped)dropidx2 = list(itertools.chain(*dropidx2)) dropidx += dropidx2 idx = sorted(list(set(all_idx) - set(dropidx)))return idx

tensorflow可以存成tf-records二進制文件加速加載，這里我沒有使用。

特征

本來我最喜歡的結構是數據原始列原封不動，作為網絡輸入。特征部分盡量在神經網絡里使用tf實現，感覺只適合簡單任務與小數據。因此，把特征工程部分采用多進程完成并保存。或者采用tf.data里的多線程map

pipeline

tensorflow本身的一個優勢是其自帶的tf.data模塊，可以高效的給模型喂子彈。官方文檔里有如何
Profiling tf.profiler.experimental.Trace
原來Tensorboard 里有個profile_batch的參數，可以直接幫著分析。由于每次都要端口轉發，后來用tensorboard就比較少了， 不過實際訓練的時候，還是去掉TB吧，很粘時間也

metrics

預測48小時，并迭代15天。因此可以很多值預測了多遍，可以轉化一下，用向量方法求出來。在嘗試規則模型的時候，發現本地評分過程消耗了兩個小時。單個風機消耗的是6秒，為啥到134，就到兩小時了。

首先看了一下代碼，看起來沒有很容易優化的地方。那第一步就是把采樣加上去，因為不采樣自己憑一次分要2小時，太久。另一方面，我發現比賽規則我第一印象是按個滾動，現在里面也是有采樣的。所以既可以減少時間，也與線上評價更吻合。
發現循環的時候，其實可以更簡單點，就是逐行循環，而不是每一輪都篩選。

還是不行的感覺，如果換成多線程感覺比較麻煩。其實，之前我幾乎沒怎么用過多線程。我一直都有一顆仁慈的人。很多人對待電腦，就像資本家對我們一樣，就不讓閑著。我干完了等別人結果都不行，非要整什么異步。
最終版本：

def _process(index: int):y_true = pd.read_pickle('../../data/user_data/y_true.pkl')y_pred = pd.read_pickle('../../data/user_data/y_pred.pkl')raw_data = pd.read_pickle('../../data/user_data/valid_df_raw.pkl') predict_sequence_length = y_true.shape[1] - 2total_rows = len(y_true)strides = total_rows // os.cpu_count()start = index * stridesy_true_process = y_true.iloc[start: start+strides]y_pred_process = y_pred.iloc[start: start+strides]scores_process = []for true, pred in zip(y_true_process.iterrows(), y_pred_process.iterrows()): start_time = true[1]['start_time']turbine = true[1]['TurbID']raw_index = raw_data.loc[(raw_data['start_time']== start_time) & (raw_data['TurbID'] == turbine)].index[0] scores_process.append(turbine_score(true[1].iloc[2:].values,pred[1].iloc[2:].values,raw_data.loc[raw_index: raw_index + predict_sequence_length-1]))return scores_process def kdd_score_parallel():#多線程版本，每個線程從保存的pkl中截取自己處理的片段，然后分別處理，最后合成n_process = os.cpu_count()scores = []with multiprocessing.Pool(n_process) as p:process_scores = p.map(_process, range(n_process)) scores.append(process_scores)scores = np.concatenate(scores)scores = scores.reshape([-1, 2]) return scores

做出多線程版本。發現需要保存下來，才能方便序列化，多核之后從7000秒降到600秒了，幾乎可以達到實用了。

如果再有心思的話，可以用numba和cython進一步優化速度。
實驗迭代
另外關于迭代，就是可以采樣部分數據進行實驗，加速迭代歷程。時序里，當然是選擇最后的，或者同期的。
家里條件好的，可以把apex和多卡都搞上。1080這種卡收益不大，那就讓老爺們先走吧。

深刻的感受到了從30分鐘轉化為3秒完成，都是因為自己薄弱的基礎。
再比如，主辦方給的tensorflow版本較低，我甚至要降cuda版本才能用。我就給主辦方以時間，一個月沒做比賽，他們就把版本升了。

最后，即使成績暫時不夠好，或生活不如意，問題不大。做時間的朋友，慢慢積累。也許，成績提高了，也許期待就降低了。牢記：給文明以歲月，給自己以時間，路線對了，穩贏，無非是小贏、中贏，還是大贏的問題。

以上措施幫助我可以在兩個小時左右完成訓練和驗證

總結

以上是生活随笔為你收集整理的硬件太差不要慌 做时间的朋友的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。