优化 tf.map_fn 的 GPU 使用率

Question

我正在 tensorflow 中构建一个神经网络，该网络适用于 3D 数据，并且应该预测输入数据中地标的位置。该策略是密集地（对于每个体素）预测半径为 r 的球体中的类别，该半径围绕实际地标，并预测指向地标实际位置的偏移向量。此策略已被 proven 有效地改进地标预测。
每对类别概率和偏移向量都是一个投票，我现在正试图在 tensorflow 中有效地聚合这些投票。
对于 (70,70,70) 的输入形状和 3 个不同的地标加上背景类，我从网络中得到两个输出：

• 形状的概率张量(70,70,70,3+1)
• 形状的偏移向量张量 (70,70,70,3*3)

我想生成 3 个形状 (70,70,70) 的输出热图。现在对于热图中的每个体素，我需要聚合指向体素的偏移向量的概率。
我尝试只使用 python 并有 3 个 for 循环，这在我的 CPU 上需要 7 秒。这是可以接受的，但最终的输入形状将更像 300x300x300，并且 3 个 for 循环将是 O(N^3)，因此不可行。
所以我尝试使用 tensorflow 和 GPU 加速来预过滤所有不相关的数据。例如，不相关的偏移向量是所有这些，它们在某个阈值下具有相应的类别概率，或者超出输入形状的范围。我用 tf.map_fn 像这样实现它：

def filter_votes(probs, dists, prob_threshold, num_landmarks, sample_shape: tf.Tensor):
    f_sample_shape = tf.cast(sample_shape, tf.float32)
    probs = probs[:,:,:,1:] # probability of background is irrelevant
    indices = tf.where(tf.greater_equal(probs, prob_threshold)) # take only the indices of voxels, that have a category prediction over a certain threshold

    def get_flatvect(idx):
        f_idx    = tf.cast(idx, tf.float32)
        return tf.stack([
            f_idx[3], # this is the landmark number (goes from 0 to  2)
            probs[idx[0], idx[1], idx[2], idx[3]], # this is the predicted probability for the voxel to be the landmark
            f_idx[0] + dists[idx[0], idx[1], idx[2], idx[3]], # this is the x offset+ the actual x-position of the voxel
            f_idx[1] + dists[idx[0], idx[1], idx[2], idx[3]+3], # this is the y offset+ the actual y-position of the voxel
            f_idx[2] + dists[idx[0], idx[1], idx[2], idx[3]+6] # this is the z offset+ the actual z-position of the voxel
        ])
    res = tf.map_fn(get_flatvect, indices, dtype=tf.float32, parallel_iterations=6)

    def get_mask(idx):
        dist = idx[2:]
        return tf.reduce_all(tf.logical_and(tf.greater_equal(dist, 0.), tf.less(dist, f_sample_shape)))
    mask = tf.map_fn(get_mask, res, dtype=tf.bool, parallel_iterations=6) # get a mask that filters offsets that went out of bounds of the actual tensor shape
    res = tf.boolean_mask(res, mask)
    return res # I return a 2D-Tensor that contains along the 2nd axis [num_landmark, probability_value, x_pos, y_pos, z_pos]

然后我在普通 python 中聚合过滤后的结果，由于输入数据少得多（大多数体素的预测分类概率较低），因此速度要快得多。
问题是即使输入形状（70,70,70），过滤操作也只需要将近一分钟，GPU 利用率低。尽管我有 6 次并行迭代，但它几乎比在 python 中聚合所有内容慢 10 倍。我尝试研究 ma​​p_fn 并读到 tf 可能无法将所有操作都放在 GPU 上。但即便如此，我认为它应该更快，因为：

• 我有 6 个并行迭代和 6 个 CPU 核心
• 我在开始时使用 tf.where 对相关数据进行预过滤，并且只迭代结果索引而不是所有索引

所以我似乎对正在发生的事情缺乏一些基本的了解。也许有人可以澄清为什么我的代码效率如此低下？
或者也许有人有更好的想法如何以矢量化方式汇总我的选票？

Answer 1

你可以像这样矢量化你的函数：

import tensorflow as tf

def filter_votes_vec(probs, dists, prob_threshold, num_landmarks, sample_shape: tf.Tensor):
    probs = probs[:, :, :, 1:]
    indices = tf.where(probs >= prob_threshold)
    landmark = tf.to_float(indices[:, 3])
    p = tf.gather_nd(probs, indices)
    indices_dists = tf.stack([
        indices,
        tf.concat([indices[..., :-1], indices[..., -1:] + 3], axis=-1),
        tf.concat([indices[..., :-1], indices[..., -1:] + 6], axis=-1)
    ], axis=1)
    d = tf.gather_nd(dists, indices_dists) + tf.to_float(indices[:, :3])
    res = tf.concat([tf.expand_dims(landmark, 1), tf.expand_dims(p, 1), d], axis=1)
    mask = tf.reduce_all((d >= 0) & (d < tf.cast(sample_shape, tf.float32)), axis=1)
    res =  tf.boolean_mask(res, mask)
    return res

使用 IPython 进行快速测试和基准测试：

import tensorflow as tf
import numpy as np

with tf.Graph().as_default(), tf.Session() as sess:
    np.random.seed(100)
    probs = np.random.rand(70, 70, 70, 3 + 1).astype(np.float32)
    probs /= probs.sum(-1, keepdims=True)
    probs = tf.convert_to_tensor(probs, tf.float32)
    dists = tf.convert_to_tensor(100 * np.random.rand(70, 70, 70, 3 * 3), tf.float32)
    prob_threshold = tf.convert_to_tensor(0.5, tf.float32)
    num_landmarks = tf.convert_to_tensor(3, tf.int32)  # This is not actually used in the code
    sample_shape = tf.convert_to_tensor([50, 60, 70], tf.int32)

    result = filter_votes(probs, dists, prob_threshold, num_landmarks, sample_shape)
    result_vec = filter_votes_vec(probs, dists, prob_threshold, num_landmarks, sample_shape)
    value, value_vec = sess.run([result, result_vec])
    print(np.allclose(value, value_vec))
    # True
    %timeit sess.run(result)
    # CPU
    # 2.55 s ± 21.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
    # GPU
    # 54 s ± 596 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
    %timeit sess.run(result_vec)
    # CPU
    # 63.2 µs ± 781 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
    # GPU
    # 216 µs ± 2.29 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

想必GPU的荒谬时间是由于TensorFlow不断在CPU和GPU之间交换数据，这是相当昂贵的。