• 文档 >
  • 从流构建 tensordicts
快捷方式

从流构建 tensordicts

作者: Vincent Moens

在许多现实世界的应用中,数据是连续且以不同频率生成的。

例如,来自物联网设备的传感器读数、金融交易或社交媒体更新都可能产生需要实时处理和分析的数据流。

当处理此类数据流时,通常需要将传入的数据“分桶”成离散的块,以便进行高效的处理和分析。然而,当处理具有不同频率或格式的数据流时,这可能具有挑战性。

在本教程中,我们将探讨如何使用 TensorDict 构建和操作数据流。我们将学习如何创建张量的惰性堆叠、处理异步数据流以及为了高效存储和处理而对数据进行密集化。

在本教程中,您将学习: - 如何读取数据流并将它们以固定的时间间隔写入 tensordict 中; - 如何构建将具有异构形状的内容堆叠在一起的 TensorDict; - 如果需要,如何使用 nested_tensor 在单个存储中密集化这些张量。

将异构 tensordicts 堆叠在一起

在许多现实场景中,数据以具有不同定义频率的流的形式出现。

本教程的目标是将即将到来的数据“分桶”,以便可以以给定的较慢频率读取和处理它。这种情况下的挑战在于,数据可能无法以规则的“矩形”格式(即,张量的每个维度都明确定义)表示,但可能出现一种情况,即一个数据桶比另一个数据桶具有更多的元素,在这种情况下,我们无法简单地将它们堆叠在一起。通常,考虑以下情况,即第一个和第二个数据桶如下

import torch
from tensordict import TensorDict

bucket0 = TensorDict(stream0=torch.randn(5), stream1=torch.randn(4))
bucket1 = TensorDict(stream0=torch.randn(4), stream1=torch.randn(5))

原则上,我们无法在内存中连续堆叠这两个 tensordict,因为两个流的形状不同。幸运的是,TensorDict 提供了一种工具来将具有异构张量形状的实例分组在一起:LazyStackedTensorDict。要创建惰性堆叠,只需调用 lazy_stack()

data = TensorDict.lazy_stack([bucket0, bucket1], dim=0)
print(data)
LazyStackedTensorDict(
    fields={
        stream0: Tensor(shape=torch.Size([2, -1]), device=cpu, dtype=torch.float32, is_shared=False),
        stream1: Tensor(shape=torch.Size([2, -1]), device=cpu, dtype=torch.float32, is_shared=False)},
    exclusive_fields={
    },
    batch_size=torch.Size([2]),
    device=None,
    is_shared=False,
    stack_dim=0)

结果数据只是两个 tensordicts 的表示,就好像它们已沿维度 0 堆叠在一起一样。LazyStackedTensorDict 支持 TensorDictBase 类的大多数常见操作,以下是一些示例

data_select = data.select("stream0")
data_plus_1 = data + 1
data_apply = data.apply(lambda x: x + 1)

此外,对其进行索引将返回我们用于创建堆叠的原始数据

assert data[0] is bucket0

尽管如此,在某些情况下,人们可能希望具有底层数据的连续表示。为此,TensorDictBase 提供了一个 densify() 方法,该方法将堆叠可以堆叠的张量,并尝试将其余部分表示为 nested_tensor 实例

data_cont = data.densify()

异步数据流

现在让我们切换到一个更具体的示例,在该示例中,我们创建一个以给定频率流式传输数据的函数(在本例中,只是每次迭代递增 1 的整数)。

为了跨线程传递数据,该函数将使用作为输入接收的队列

import asyncio
from typing import List


async def generate_numbers(frequency: float, queue: asyncio.Queue) -> None:
    i = 0
    while True:
        await asyncio.sleep(1 / frequency)
        await queue.put(i)
        i += 1

collect_data 函数在给定的时间内从队列中读取数据。一旦 timeout 过去,该函数就会返回

async def collect_data(queue: asyncio.Queue, timeout: float) -> List[int]:
    values = []

    # We create a nested `collect` async function in order to be able to stop it as
    #  soon as timeout is passed (see wait_for below).
    async def collect():
        nonlocal values
        while True:
            value = await queue.get()
            values.append(value)

    task = asyncio.create_task(collect())
    try:
        await asyncio.wait_for(task, timeout=timeout)
    except asyncio.TimeoutError:
        task.cancel()
    return values

wait7hz 函数在给定的时间内从队列中读取数据。

async def wait7hz() -> None:
    queue = asyncio.Queue()
    generate_task = asyncio.create_task(generate_numbers(7, queue))
    collect_data_task = asyncio.create_task(collect_data(queue, timeout=1))
    values = await collect_data_task
    # The ``generate_task`` has not been terminated
    generate_task.cancel()
    print(values)


asyncio.run(wait7hz())

from typing import Callable, Dict
[0, 1, 2, 3, 4, 5]

我们现在可以设计一个类,该类继承自 LazyStackedTensorDict 并读取来自不同流的数据,并将它们注册到单独的 tensordicts 中。LazyStackedTensorDict 的一个不错的功能是,它也可以增量构建,这样我们只需通过扩展惰性堆叠来注册传入的新数据,直到我们收集到足够的数据为止。以下是 StreamedTensorDict 类的实现

from tensordict import LazyStackedTensorDict, NestedKey, TensorDictBase


class StreamedTensorDict(LazyStackedTensorDict):
    """A lazy stack class that can be built from a dictionary of streams."""

    @classmethod
    async def from_streams(
        cls,
        streams: Dict[NestedKey, Callable],
        timeout: float,
        batch_size: int,
        densify: bool = True,
    ) -> TensorDictBase:
        td = cls(stack_dim=0)

        # We construct a queue for each stream
        queues = [asyncio.Queue() for _ in range(len(streams))]
        tasks = []
        for stream, queue in zip(streams.values(), queues):
            task = asyncio.create_task(stream(queue))
            tasks.append(task)
        for _ in range(batch_size):
            values_tasks = []
            for queue in queues:
                values_task = asyncio.create_task(collect_data(queue, timeout))
                values_tasks.append(values_task)
            values = await asyncio.gather(*values_tasks)
            td.append(TensorDict(dict(zip(streams.keys(), values))))

        # Cancel the generator tasks
        for task in tasks:
            task.cancel()
        if densify:
            return td.densify(layout=torch.strided)
        return td

最后,main 函数将组合流式传输函数 stream0stream1,并将它们传递给 StreamedTensorDict.from_streams 方法,该方法将为每个 timeout=1 秒收集 batch_size 批次的数据

async def main() -> TensorDictBase:
    def stream0(queue):
        return generate_numbers(frequency=7, queue=queue)

    def stream1(queue):
        return generate_numbers(frequency=3, queue=queue)

    # Running this should take about 10 seconds
    return await StreamedTensorDict.from_streams(
        {"bucket0": stream0, "bucket1": stream1}, timeout=1, batch_size=10
    )


td = asyncio.run(main())

print("TensorDict from stream", td)
TensorDict from stream TensorDict(
    fields={
        bucket0: Tensor(shape=torch.Size([10, -1]), device=cpu, dtype=torch.int64, is_shared=False),
        bucket1: Tensor(shape=torch.Size([10, -1]), device=cpu, dtype=torch.int64, is_shared=False)},
    batch_size=torch.Size([10]),
    device=None,
    is_shared=False)
让我们表示来自两个流的数据 - 应该等于 torch.arange(),对于 batch_size * timeout * Hz

<=> 1 * 10 秒 * 3 或 7

print("bucket0 (7Hz, around 70 values)", td["bucket0"].values())
print("bucket1 (3Hz, around 30 values)", td["bucket1"].values())
print("shapes of bucket0 (7Hz, around 70 values)", td["bucket0"]._nested_tensor_size())
bucket0 (7Hz, around 70 values) tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
        18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35,
        36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53,
        54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68])
bucket1 (3Hz, around 30 values) tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
        18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28])
shapes of bucket0 (7Hz, around 70 values) tensor([[6],
        [7],
        [7],
        [7],
        [7],
        [7],
        [7],
        [7],
        [7],
        [7]])

结论

在本教程中,我们探索了使用 TensorDict 和异步数据流的基础知识。我们学习了如何创建张量的惰性堆叠、如何使用 asyncio 处理异步数据流,以及如何为了高效存储和处理而对数据进行密集化。

我们还了解了如何使用 TensorDictLazyStackedTensorDict 来简化复杂的数据处理任务,例如对具有不同频率的数据流进行分桶。通过利用 TensorDict 和 asyncio 的强大功能,您可以构建可扩展且高效的数据处理管道,这些管道甚至可以处理最苛刻的现实世界应用程序。

感谢您关注本教程!我们希望您发现它对您有所帮助且内容丰富。

脚本的总运行时间: (0 分 11.021 秒)

由 Sphinx-Gallery 生成的图库

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题解答

查看资源