从流构建 tensordict

作者： Vincent Moens

在许多实际应用中，数据以不同的频率连续生成。

例如，来自 IoT 设备、金融交易或社交媒体更新的传感器读数都可以生成流 需要实时处理和分析的数据。

在处理此类数据流时，通常需要将传入数据 “桶化” 为离散的块。 允许进行高效的处理和分析。但是，在处理 具有不同的频率或格式。

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惰性张量堆栈、处理异步数据流以及使数据增密以提高效率 储存和加工。

在本教程中，您将学习： - 如何在 tensordict 中读取数据流并定期写入它们; - 如何构建将异构形状的内容堆叠在一起的 TensorDict; - 如果需要，如何使用在单个存储中增密这些张量。nested_tensor

将异构张量dict 堆叠在一起

在许多实际场景中，数据以具有不同定义频率的流的形式出现。

在本教程中，我们的目标是对即将到来的数据进行 “分桶化” ，以便可以在给定的 频率较慢。 这种情况中的挑战在于，数据可能无法以常规的“矩形”格式表示（即，其中 张量的每个维度都是明确定义的），但可能会出现一个数据桶的 element 多于 另一种，在这种情况下，我们不能简单地将它们堆叠在一起。通常，考虑第一个和第二个 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，我们不能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 提供了一个工具，可以将具有异构张量形状的实例分组在一起：。 要创建惰性堆栈，只需调用 ：

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 tensordict 的表示，就好像它们已经堆叠在一起一样 维度 0。支持类中最常见的操作，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，为它编制索引将返回我们用于创建堆栈的原始数据

assert data[0] is bucket0

尽管如此，在某些情况下，人们可能希望对基础数据进行连续表示。 为此，提供了一个方法 将堆叠可以堆叠的张量，并尝试将其余的表示为实例：nested_tensor

data_cont = data.densify()

异步数据流

现在让我们切换到一个更具体的例子，在这个例子中，我们创建一个流式传输数据的函数（在本例中，只是 整数在每次迭代中递增 1）。

要跨线程传递数据，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

该函数在给定的时间内从队列中读取数据。 一旦通过，该函数就会返回：collect_datatimeout

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

该函数在给定的时间内从队列中读取数据。wait7hz

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继承并读取传入数据的类 并从不同的流中注册它们，并在单独的 Tensordict 中注册它们。 一个很好的功能是它也可以增量构建，这样 我们可以通过扩展 Lazy Stack 来简单地注册传入的新数据，直到我们收集到足够的数据。 以下是此类的实现：StreamedTensorDict

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，该函数将组合流式处理函数，并将它们传递给方法，该方法将收集第二秒的批量数据 每：mainstream0stream1StreamedTensorDict.from_streamsbatch_sizetimeout=1

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 - 对于 batch_size * timeout * Hz，应等于 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]])

结论

在本教程中，我们探讨了使用 TensorDict 和异步数据流的基础知识。 我们已经学会了如何创建惰性张量堆栈，使用 asyncio 处理异步数据流，以及将我们的 数据进行高效存储和处理。

我们还看到了如何以及可以用于 简化复杂的数据处理任务，例如以不同频率对数据流进行分桶。 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 甚至可以处理最苛刻的实际应用。

感谢您跟随本教程！我们希望您发现它对您有所帮助和信息丰富。