質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.47%

  • Python 3.x

    10245questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • 深層学習

    228questions

  • Google Colaboratory

    23questions

Google Colaboratory上で大量のファイルを参照(open(), .read)しようとすると、動かなくなります

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 238

magi201903

score 1

前提・実現したいこと

Google Colaboratory上でpythonによる深層学習のコードを書いています。肯定的、否定的という二値のラベルが付いた映画レビューをリストにまとめるコードです。

具体的に言うと、IMDb(Internet Movie Database)データをテキストとしてダウンロードして展開し、個々の映画レビューを文字列のリスト(texts)にまとめ、映画レビューのラベル(肯定的、否定的)をlabelsリストにまとめます。

しかし、参考書に書いてある通りにコードを実行するのですが、エラーが出るか、実行中状態が続き、完了しません。同じ操作を何度か実行するのですが、完了はしません。コードをどう改造すれば良いですか?

恐らく参照するファイルが25000個(1フォルダに12500個。それが2フォルダあります)あり、数が膨大なためだと思います。GoogleColaboratoryのよくある質問に「Google ドライブのオペレーションは、フォルダ内のファイル数やサブフォルダ数が増えすぎるとタイムアウトすることがあります。」と書いてありました。

しかし今後、大量のファイルを使った深層学習をGoogle Colaboratory上で行いたいと考えています。研究や業務でGoogle Colaboratryを使い、大量のファイルを操作している人もいるはずです。どうすれば、それが可能になるか教えてください。

発生している問題・エラーメッセージ

エラーの場合、以下のような文言が出ます。

OSError: [Errno 5] Input/output error: 'drive/My Drive/Colab Notebooks/aclImdb/train/neg/' site:stackoverflow.com

該当のソースコード

from google.colab import drive
drive.mount('/content/drive')

import os

imdb_dir = 'drive/My Drive/Colab Notebooks/aclImdb'
train_dir = os.path.join(imdb_dir, 'train')

labels = []
texts = []

for label_type in ['neg', 'pos']:
    dir_name = os.path.join(train_dir, label_type)
    for fname in os.listdir(dir_name):
        if fname[-4:] == '.txt':
            f = open(os.path.join(dir_name, fname))
            texts.append(f.read())
            f.close()
            if label_type == 'neg':
                labels.append(0)
            else:
                labels.append(1)

試したこと

■「よくある質問」に以下のことが書いていました。(https://research.google.com/colaboratory/faq.html#drive-timeout)
Google ドライブのオペレーションは、フォルダ内のファイル数やサブフォルダ数が増えすぎるとタイムアウトすることがあります。数千件ものアイテムが最上位の「マイドライブ」フォルダの直下にあると、ドライブのマウント処理がタイムアウトする可能性が高くなります。

そこで、最上位のマイドライブフォルダ直下には計10個のフォルダとファイルしか置いていません。その状態でコードを実行しましたが、症状は改善されませんでした。

■一気に12500ファイルに順番にアクセスするコードが駄目なのかと思い、ファイルを1個ずつの束にして、1束ずつアクセスするように、コードを下記のように書き直しました。しかし、失敗しました。

ただし、1フォルダ当たりの中身をファイル500個に減らして(つまり2フォルダでファイル1000個)、下記のコードを実行すると成功しました。(ちなみに、最初に書いたコードを実行すると失敗。つまり、1個ずつの束にすることに、意味はあったのかなと考えています)

from google.colab import drive
drive.mount('/content/drive')

import os
import math

def split_list(l, n):
    for idx in range(0, len(l), n): 
        yield l[idx:idx + n]

imdb_dir = 'drive/My Drive/Colab Notebooks/aclImdb'
train_dir = os.path.join(imdb_dir, 'train')

labels = []
texts = []
dir_name = []
result = []

for label_type in ['neg', 'pos']:
    dir_name = os.path.join(train_dir, label_type)
    #dir_nameを1fileずつのbatchに加工します
    result = list(split_list(os.listdir(dir_name), 1))
    for x in result:
        for fname in x:
            # print(fname)
            if fname[-4:] == '.txt':
                f = open(os.path.join(dir_name, fname))
                texts.append(f.read())
                f.close()
                if label_type == 'neg':
                    labels.append(0)
                else:
                    labels.append(1)

補足情報(FW/ツールのバージョンなど)

参考書は『PythonとKerasによるディープラーニング』。コードは下記URLのIn [6]です。タイトルは「Download the IMDB data as raw text」

https://github.com/fchollet/deep-learning-with-python-notebooks/blob/master/6.1-using-word-embeddings.ipynb

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 2

check解決した方法

0

以下の手順で自己解決しました。
1.GoogleColab上ではなく、ローカルのパソコン上でPythonを使い、IMDbデータをhdf5に保存する
2.1のhdf5ファイルをGoogleDriveにアップロードする
3.2のhdf5ファイルをPythonを使い、リストに格納する

各サイトで見つけたコードをつぎはぎしたので、汚いかもしれませんが、コードを以下に記します

1.IMDbデータをhdf5に保存する

import os
import h5py

# ●にIMDbのフォルダがあるパスを入力します
# 私はWindows8でjupyter labを使っています。パス名を要素に分割するためにオペレーティングシステムで
# 利用されている文字、Windowsでは '\\'があります。それをos.sepを使い'/'に置き換えます。
imdb_dir = '●'.replace('/', os.sep) 
train_dir = os.path.join(imdb_dir, 'train')

labels = []
texts = []

for label_type in ['neg', 'pos']:
    dir_name = os.path.join(train_dir, label_type)
    for fname in os.listdir(dir_name):
        if fname[-4:] == '.txt':

            # 私のPCでは読み込みテキストをutf-8_sigにしないと作動しません。
            f = open(os.path.join(dir_name, fname),encoding="utf-8_sig")
            texts.append(f.read())
            f.close()
            if label_type == 'neg':
                labels.append(0)
            else:
                labels.append(1)
            # 25000個のファイルの処理が約7分で完了しました。

# texts listをasciiでエンコードしてリストに代入すると成功します
# textsをutf-8でエンコードした場合は失敗しました。h5pyはasciiを基本のencodeと考えているのでし
# ょうか
asciitexts = [n.encode("ascii", "ignore") for n in texts]
output_file = "imdb.h5"
with h5py.File(output_file, 'w') as f:

    f.create_dataset('labels', data=labels)
    f.create_dataset('texts', data=asciitexts) 
  # 約10秒で処理が完了しました。


2.hdf5ファイルをPythonを使い、リストに格納する

import h5py
# ●にimdb.h5のパスを入力します
with h5py.File("●", "r") as f:
    h5_labels = f["labels"][()] #[()]は.valueの代わり
    h5_texts = f["texts"][()]

labels = h5_labels.tolist()
texts = h5_texts.tolist()
texts = [n.decode('utf-8') for n in texts]  # utf-8でtextsリストをデコード。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

0

IMDb の展開を Googleドライブの方でせずに、Googleドライブの方は1個のgzファイルのままにしておいて、Google Colaboratoryの方にそのファイルをコピーしてから展開したらどうですか。ローカルのディスクであれば、25000個のファイルがあっても何の問題もなく処理できます。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.47%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る

  • Python 3.x

    10245questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

  • 深層学習

    228questions

  • Google Colaboratory

    23questions