Allenati su lotti a Tensorflow

Attualmente sto provando ad addestrare un modello su un file CSV di grandi dimensioni (> 70 GB con oltre 60 milioni di righe). Per fare ciò sto usando tf.contrib.learn.read_batch_examples. Faccio fatica a capire come questa funzione legge effettivamente i dati. Se sto usando una dimensione batch di es. 50.000, legge le prime 50.000 righe del file? Se voglio eseguire il ciclo sull'intero file (1 epoca) devo usare num_rows / batch_size = 1.200 numero di passaggi per il metodo estimator.fit?

Ecco la funzione di input che sto attualmente utilizzando:

def input_fn(file_names, batch_size):
    # Read csv files and create examples dict
    examples_dict = read_csv_examples(file_names, batch_size)

    # Continuous features
    feature_cols = {k: tf.string_to_number(examples_dict[k],
                                           out_type=tf.float32) for k in CONTINUOUS_COLUMNS}

    # Categorical features
    feature_cols.update({
                            k: tf.SparseTensor(
                                indices=[[i, 0] for i in range(examples_dict[k].get_shape()[0])],
                                values=examples_dict[k],
                                shape=[int(examples_dict[k].get_shape()[0]), 1])
                            for k in CATEGORICAL_COLUMNS})

    label = tf.string_to_number(examples_dict[LABEL_COLUMN], out_type=tf.int32)

    return feature_cols, label


def read_csv_examples(file_names, batch_size):
    def parse_fn(record):
        record_defaults = [tf.constant([''], dtype=tf.string)] * len(COLUMNS)

        return tf.decode_csv(record, record_defaults)

    examples_op = tf.contrib.learn.read_batch_examples(
        file_names,
        batch_size=batch_size,
        queue_capacity=batch_size*2.5,
        reader=tf.TextLineReader,
        parse_fn=parse_fn,
        #read_batch_size= batch_size,
        #randomize_input=True,
        num_threads=8
    )

    # Important: convert examples to dict for ease of use in `input_fn`
    # Map each header to its respective column (COLUMNS order
    # matters!
    examples_dict_op = {}
    for i, header in enumerate(COLUMNS):
        examples_dict_op[header] = examples_op[:, i]

    return examples_dict_op

Ecco il codice che sto usando per addestrare il modello:

def train_and_eval():
"""Train and evaluate the model."""

m = build_estimator(model_dir)
m.fit(input_fn=lambda: input_fn(train_file_name, batch_size), steps=steps)

Cosa succederebbe se chiamassi di nuovo la funzione fit con lo stesso input_fn. Ricomincia dall'inizio del file o ricorderà la riga in cui si è interrotta l'ultima volta?

Non essendoci ancora una risposta, voglio provare a dare una risposta almeno in qualche modo utile. Includere le definizioni delle costanti aiuterebbe un po 'a capire il codice fornito.

In generale un batch utilizza n volte un record o un articolo. La modalità di definizione di un articolo dipende dal problema. In tensorflow il batch è codificato nella prima dimensione di un tensore. Nel tuo caso con il file CSV potrebbe essere riga per riga ( reader=tf.TextLineReader). Potrebbe imparare per colonna, ma non credo che questo accada nel tuo codice. Se vuoi allenarti con l'intero set di dati (= un'epoca ) puoi farlo usando numBatches=numItems/batchSize.