使用汇总操作训练 TensorFlow 模型比不使用汇总操作要慢得多答案

【问题标题】：Training TensorFlow model with summary operations is much slower than without summary operations使用汇总操作训练 TensorFlow 模型比不使用汇总操作要慢得多
【发布时间】：2017-07-13 09:48:27
【问题描述】：

我正在使用 TensorFlow r1.0 和 GPU Nvidia Titan X 训练一个类似 Inception 的模型。

我添加了一些汇总操作来可视化训练过程，使用代码如下：

def variable_summaries(var):
"""Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean)
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev)
        tf.summary.scalar('max', tf.reduce_max(var))
        tf.summary.scalar('min', tf.reduce_min(var))
        tf.summary.histogram('histogram', var)

当我运行这些操作时，训练一个 epoch 的时间成本约为 400 秒。但是当我关闭这些操作时，训练一个 epoch 的时间成本只有 90 秒。

如何优化图以最小化汇总操作的时间成本？

【问题讨论】：

也许不那么频繁地计算摘要？此外，TF 1.0 重构事物以提高效率——当使用钩子时，摘要与其他张量同时计算，因此所有中间量都被重用
我使用的是 TF 1.0。您能否更清楚地说明如何使用钩子？我尝试使用 CPU 来计算摘要，但没有太大帮助。我猜这是因为 GPU 和 CPU 之间的数据传输。 @YaroslavBulatov
在转向钩子之前，你能减少计算摘要的次数吗？
哦，是的，我当然可以。但实际上，我只是计算每个时期的摘要，而不是每个批次。如果我将摘要减少到每 10 个 epoch，恐怕我会丢失一些训练过程的信息。

标签： tensorflow tensorboard nvidia-titan

【解决方案1】：

摘要当然会减慢训练过程，因为您需要执行更多操作并且需要将它们写入光盘。此外，直方图摘要会进一步减慢训练速度，因为与标量值相比，直方图需要从 GPU 复制到 CPU 的数据更多。所以我会尽量少用直方图记录，这可能会有所作为。

通常的解决方案是仅每 X 个批次计算摘要。由于您每个时期只计算一个摘要，而不是每个批次，因此可能值得尝试更少的摘要日志记录。

取决于您的数据集中有多少批次，但通常您不会因为收集的日志少一点而丢失太多信息。

【讨论】：

有没有一种方法可以在 GPU 上保留直方图，并且只是复制回来以记录每个 epoch，但仍保留完整的记录数据？