nvidia.dali.fn.external_source#

nvidia.dali.fn.external_source(source=None, num_outputs=None, *, cycle=None, name=None, device='cpu', layout=None, dtype=None, ndim=None, cuda_stream=None, use_copy_kernel=None, blocking=None, batch=True, repeat_last=False, parallel=None, no_copy=None, prefetch_queue_depth=None, bytes_per_sample_hint=None, batch_info=None, **kwargs)#

创建一个数据节点，该节点使用来自 Python 来源的数据填充。

数据可以由 source 函数或可迭代对象提供，也可以由 pipeline.feed_input(name, data, layout, cuda_stream) 提供。

对于 GPU 输入，用户有责任仅使用提供的流修改提供的 GPU 内存内容（DALI 会在其上调度复制，并且所有工作都已正确排队）。如果没有提供流，则输入馈送会阻塞，直到提供的内存被复制到内部缓冲区。

注意

nvidia.dali.fn.external_source() 操作符通过 nvidia.dali.plugin.tf.experimental.DALIDatasetWithInputs() 与 TensorFlow 集成部分兼容。请参阅其文档以了解详细信息。

注意

要返回同一张量的批量副本，请使用 nvidia.dali.types.Constant()，这更高效。

参数:

  • source (callable 或 iterable) –

    数据的来源。

    当 pipeline 需要下一个迭代的输入时，会轮询数据源（通过调用 source() 或 next(source)）。根据 num_outputs 的值，源可以提供一个或多个数据项。数据项可以是整个批次（默认）或单个批次条目（当 batch==False 时）。如果未设置 num_outputs，则预期 source 返回一个项目（一个批次或一个样本）。如果指定了此值（即使其值为 1），则预期数据为元组或列表，其中每个元素对应于 external_source 的相应返回值。

    数据样本必须是以下兼容的数组类型之一

    • NumPy ndarray (CPU)

    • MXNet ndarray (CPU)

    • PyTorch 张量 (CPU 或 GPU)

    • CuPy 数组 (GPU)

    • 实现 __cuda_array_interface__ 的对象

    • DALI Tensor 对象

    批次源必须生成整个批次的数据。这可以通过向数组添加新的最外层维度或返回数组列表来实现（在这种情况下，它们的大小可以不同，但必须具有相同的秩和元素类型）。批次源还可以生成 DALI TensorList 对象，它可以是另一个 DALI pipeline 的输出。

    每个批次的源可以接受一个位置参数。如果接受，则它是 epoch 中当前迭代的索引，后续调用将是 source(0)、source(1)，依此类推。如果 batch_info 设置为 True，则 nvidia.dali.types.BatchInfo 的实例将传递给源，而不是纯索引。

    每个样本的源可以接受一个类型为 nvidia.dali.types.SampleInfo 的位置参数，其中包含当前 epoch 和批次中样本的索引，以及当前迭代次数。

    如果源是生成器函数，则会调用该函数并将其视为可迭代对象。但是，与生成器不同，该函数可以与 cycle 一起使用。在这种情况下，当生成器到达迭代结束时，将再次调用该函数。

    对于 GPU 输入，用户有责任仅在提供的流中修改提供的 GPU 内存内容。DALI 在此流上调度复制，并且所有工作都已正确排队。如果没有提供流，DALI 将使用默认流，并尽最大努力确保正确性。有关更多信息，请参阅 cuda_stream 参数文档。

    注意

    从检查点恢复后，对作为单参数可调用对象（接受 nvidia.dali.types.SampleInfo、nvidia.dali.types.BatchInfo 或批次索引）的源的查询将从检查点中保存的 epoch 和迭代恢复。

  • num_outputs (int, optional) –

    如果指定，则表示源函数生成的 TensorList 的数量。

    如果设置，则操作符返回 DataNode 对象列表，否则返回单个 DataNode 对象。

关键字参数:

  • cycle (string 或 bool, optional) –

    指定是否以及如何循环遍历源。它可以是以下值之一

    • "no"、False 或 None - 不循环；当

    到达数据末尾时引发 StopIteration；这是默认行为 * "quiet" 或 True - 无限期地重复数据，* "raise" - 当到达数据末尾时，引发 StopIteration，但在后续调用中重新启动迭代。

    此标志要求 source 是一个集合，例如，一个可迭代对象，其中 iter(source) 在每次调用时返回一个新的迭代器，或一个生成器函数。在后一种情况下，当请求的数据量超过函数产生的数据量时，将再次调用生成器函数。

    指定 "raise" 可以与 DALI 迭代器一起使用以创建 epoch 的概念。

  • name (str, optional) –

    数据节点的名称。

    当通过调用 feed_input 馈送数据时使用，如果数据由 source 提供，则可以省略。

  • layout (layout str 或其列表/元组，可选) –

    如果提供，则设置数据的布局。

    当 num_outputs > 1 时，布局可以是列表，其中包含每个输出的不同布局。如果列表的元素少于 num_outputs，则只有第一个输出设置了布局，其余输出没有设置布局。

  • dtype (nvidia.dali.types.DALIDataType 或其列表/元组，可选) –

    输入数据类型。

    当 num_outputs > 1 时，dtype 可以是列表，其中包含每个输出的不同值。

    操作符将验证获取的数据是否为提供的类型。如果省略参数或传递了 DALIDataType.NO_TYPE，则操作符将从提供的数据中推断类型。

    从 DALI 2.0 开始，此参数将是必需的。

  • ndim (int 或 列表/元组, optional) –

    输入数据中的维度数。

    当 num_outputs > 1 时，ndim 可以是列表，其中包含每个输出的不同值。

    将根据此值验证提供给操作符的数据的维度。如果提供了 layout 参数，也可以从该参数推断维度数。

    如果提供了 layout 参数，则 ndim 必须与布局中的维度数匹配。

    从 DALI 2.0 开始，将需要指定输入维度。

  • cuda_stream (optional, cudaStream_t 或可转换为 cudaStream_t 的对象) –

    例如 cupy.cuda.Stream 或 torch.cuda.Stream。CUDA 流用于将数据复制到 GPU 或从 GPU 源复制数据。

    如果未设置此参数，将尽最大努力保持正确性。也就是说，如果数据是从可识别的库（如 CuPy 或 PyTorch）提供的张量/数组，则使用该库的当前流。尽管这种方法在典型情况下有效，但在高级用例和使用不受支持的库的代码中，您可能需要显式提供流句柄。

    此参数有两个特殊值

    • 0 - 使用默认 CUDA 流

    • 1 - 使用 DALI 的内部流

    如果使用内部流，则调用 feed_input 将阻塞，直到复制到内部缓冲区完成，因为无法与此流同步以防止在另一个流中使用新数据覆盖数组。

  • use_copy_kernel (bool, optional) –

    如果设置为 True，DALI 将使用 CUDA 内核来馈送数据，而不是 cudaMemcpyAsync（默认）。

    注意

    这仅在将数据复制到 GPU 内存和从 GPU 内存复制数据时适用。

  • blocking (bool, optional) – 高级 如果为 True，则此操作符将阻塞，直到数据可用（例如，通过调用 feed_input）。如果为 False，则如果数据不可用，则操作符将引发错误。

  • no_copy (bool, optional) –

    确定在调用 feed_input 时 DALI 是否应复制缓冲区。

    如果设置为 True，DALI 会将用户内存直接传递给 pipeline，而不是复制它。用户有责任保持缓冲区处于活动状态且未修改，直到 pipeline 使用它为止。

    在相关迭代的输出被消耗后，可以再次修改或释放缓冲区。实际上，这发生在 Pipeline 的 prefetch_queue_depth 或 cpu_queue_depth * gpu_queue_depth （当它们不相等时）在 feed_input 调用之后的迭代之后。

    内存位置必须与操作符的指定 device 参数匹配。对于 CPU，提供的内存可以是一个连续的缓冲区或一个连续张量列表。对于 GPU，为避免额外的复制，提供的缓冲区必须是连续的。如果您提供单独张量的列表，则会在内部进行额外的复制，从而消耗内存和带宽。

    当 parallel=True 时自动设置为 True

  • batch (bool, optional) –

    如果设置为 True 或 None，则期望 source 一次生成整个批次。如果设置为 False，则 source 将按每个样本调用。

    如果未提供，将 parallel 设置为 True 会自动将 batch 设置为 False。

  • batch_info (bool, 可选, 默认值 = False) – 控制可调用 source (接受参数并返回批次) 是否应接收 class:~nvidia.dali.types.BatchInfo 实例，或者仅接收表示迭代次数的整数。如果设置为 False（默认值），则仅传递整数。如果 source 不可调用、不接受参数或 batch 设置为 False，则设置此标志无效。

  • parallel (bool, 可选, 默认值 = False) –

    如果设置为 True，则相应的 pipeline 将启动一个 Python 工作进程池，以并行运行回调。您可以通过将 py_num_workers 传递到 pipeline 的构造函数中来指定工作进程的数量。

    当 parallel 设置为 True 时，source 返回的样本必须是 NumPy/MXNet/PyTorch CPU 数组或 TensorCPU 实例。


    可接受的 source 取决于为 batch 参数指定的值。

    如果 batch 设置为 False，则 source 必须是

    • 一个可调用对象（函数或具有 __call__ 方法的对象），它接受

      恰好一个参数（SampleInfo 实例，表示请求样本的索引）。

    如果 batch 设置为 True，则 source 可以是以下任一类型

    • 一个可调用对象，它接受恰好一个参数（BatchInfo

      实例或整数 - 有关详细信息，请参阅 batch_info）

    • 一个可迭代对象，

    • 一个生成器函数。


    警告

    无论 batch 值如何，可调用对象都应该是无状态的 - 它们应仅根据 SampleInfo/BatchInfo 实例或批次中的索引来生成请求的样本或批次，以便它们可以在多个工作进程中并行运行。

    当数据结束时，source 回调必须引发 StopIteration 异常。请注意，由于预取，回调可能会在数据集结束后被调用几次 - 请确保在这种情况下它始终如一地引发 StopIteration 异常。


    警告

    当 pipeline 启用了条件执行时，必须采取额外的步骤来防止 source 被 AutoGraph 重写。有两种方法可以实现这一点

    1. 在全局范围内定义函数（即在 pipeline_def 范围之外）。

    2. 如果函数是另一个“工厂”函数的result，则工厂函数必须在 pipeline 定义函数之外定义，并使用 @do_not_convert 进行装饰。

    更多详细信息可以在 @do_not_convert 文档中找到。


    注意

    可调用 source 可以由多个工作进程并行运行。对于 batch=True，可以并行准备多个批次，对于 batch=False，可以在批次内并行计算。

    当 batch=True 时，可调用对象的性能可能尤其受益于增加 prefetch_queue_depth，以便可以并行计算接下来的几个批次。


    注意

    迭代器或生成器函数将被分配给单个工作进程，该工作进程将迭代它们。主要优点是与主 Python 进程并行执行，但由于它们的状态，不可能一次计算多个批次。

  • repeat_last (bool, 可选, 默认值 = False) –

    注意

    这是一个高级设置，主要用于具有解耦模型的 Triton Inference Server。

    通常，external_source 会消耗其输入数据，并期望在即将到来的迭代中输入新的数据。设置 repeat_last=True 会更改此行为，以便 external_source 将检测到在前一个 pipeline 运行和当前运行之间没有输入新数据，并将使用最近的数据自行重新输入。

    仅在“推送”模式下，即当数据由用户通过调用 feed_input 主动提供时，将 repeat_last 设置为 True 才有意义。启用此选项与指定 source 不兼容，这会使 external_source 在“拉取”模式下运行。

  • prefetch_queue_depth (int, 可选, 默认值 = 1) – 当在 parallel=True 模式下运行时，指定要预先计算并存储在内部缓冲区中的批次数量，否则将忽略此参数。

  • bytes_per_sample_hint (int, 可选, 默认值 = None) –

    如果在 parallel=True 模式下指定，则该值在计算工作进程用于将并行外部 source 输出传递到 pipeline 的共享内存槽的初始容量时，充当提示。在非并行模式下，此参数将被忽略。

    设置足够大的值以容纳传入的数据可以防止 DALI 在 pipeline 运行期间重新分配共享内存。此外，手动提供提示可以防止 DALI 高估必要的共享内存容量。

    该值必须为正整数。请注意，共享内存中的样本附带一些内部元数据，因此，对共享内存的实际需求略高于外部 source 生成的二进制数据的大小。实际元数据大小取决于许多因素，例如，可能会在 Python 或 DALI 版本之间更改，恕不另行通知。

    请参阅 pipeline 的 external_source_shm_statistics 以检查为 pipeline 的并行外部 source 生成的数据分配了多少共享内存。

另请参阅

在本页中