從流構建 tensordicts

作者：Vincent Moens

在許多實際應用中，資料是持續生成的，並且頻率各不相同。

例如，來自物聯網裝置的感測器讀數、金融交易或社交媒體更新都可以產生需要即時處理和分析的資料流。

處理此類資料流時，通常需要將輸入資料“分桶”成離散塊，以便進行高效處理和分析。然而，處理具有不同頻率或格式的資料流時，這可能會帶來挑戰。

在本教程中，我們將探討如何使用 TensorDict 構建和操作資料流。我們將學習如何建立張量的惰性堆疊、處理非同步資料流，以及緻密化我們的資料以實現高效儲存和處理。

在本教程中，您將學習： - 如何讀取資料流並以固定間隔將其寫入 tensordict 中； - 如何構建將具有異構形狀的內容堆疊在一起的 TensorDict； - 如果需要，如何使用 nested_tensor 將這些張量緻密化到單個儲存中。

堆疊異構 tensordicts

在許多實際場景中，資料以具有不同預設頻率的流形式出現。

本教程的目標是將傳入的資料“分桶”，以便以給定的較低頻率讀取和處理。在這種場景下的挑戰是資料可能無法以規則的“矩形”格式表示（即張量的每個維度都明確定義），但可能出現一個數據桶的元素比另一個多的情況，此時我們不能簡單地將它們堆疊在一起。通常，考慮第一和第二個資料桶如下的情況

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))

原則上，由於兩個流的形狀不同，我們無法在記憶體中連續堆疊這兩個 tensordict。幸運的是，TensorDict 提供了一個工具來將具有異構張量形狀的例項組合在一起：LazyStackedTensorDict。要建立惰性堆疊，只需呼叫 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)

結果資料只是這兩個 tensordict 沿維度 0 堆疊在一起的表示。 LazyStackedTensorDict 支援 TensorDictBase 類的大多數常用操作，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，對其進行索引將返回我們用於建立堆疊的原始資料

assert data[0] is bucket0

然而，在某些情況下，人們可能希望獲得底層資料的連續表示。為此，TensorDictBase 提供了一個 densify() 方法，該方法將堆疊可以堆疊的張量，並嘗試將其餘部分表示為 nested_tensor 例項。

data_cont = data.densify()

非同步資料流

現在讓我們轉向一個更具體的例子，我們將建立一個函式，該函式以給定頻率流式傳輸資料（在本例中，只是每次迭代增加 1 的整數）。

為了跨執行緒傳遞資料，該函式將使用作為輸入接收到的佇列

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 函式從佇列中讀取資料，持續給定時間。一旦 timeout 已過，函式將返回。

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 函式從佇列中讀取資料，持續給定時間。

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]

現在我們可以設計一個類，該類繼承自 LazyStackedTensorDict，並讀取來自不同流的資料並將其註冊到單獨的 tensordict 中。 LazyStackedTensorDict 的一個不錯特性是它也可以增量構建，因此我們可以透過擴充套件惰性堆疊來簡單地註冊新傳入的資料，直到收集到足夠的資料。這是 StreamedTensorDict 類的一個實現

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

最後，main 函式將組合流函式 stream0 和 stream1，並將它們傳遞給 StreamedTensorDict.from_streams 方法，該方法將為每個 timeout=1 秒收集 batch_size 批次的資料。

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)

讓我們表示來自兩個流的資料 - 對於 batch_size * timeout * Hz，它應該等於 torch.arange()

<=> 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]])

結論

在本教程中，我們探討了使用 TensorDict 和非同步資料流的基礎知識。我們學習瞭如何建立張量的惰性堆疊、使用 asyncio 處理非同步資料流，以及緻密化我們的資料以實現高效儲存和處理。

我們還看到了如何使用 TensorDict 和 LazyStackedTensorDict 簡化複雜的資料處理任務，例如對具有不同頻率的資料流進行分桶。透過利用 TensorDict 和 asyncio 的強大功能，您可以構建可擴充套件且高效的資料處理流水線，以處理最苛刻的實際應用。

感謝您跟隨本教程學習！希望您覺得它有所幫助並具有資訊量。